論文の概要: Protein Graph Neural Networks for Heterogeneous Cryo-EM Reconstruction

• arxiv url: http://arxiv.org/abs/2602.21915v1
• Date: Wed, 25 Feb 2026 13:43:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-26 18:19:16.847695
• Title: Protein Graph Neural Networks for Heterogeneous Cryo-EM Reconstruction
• Title（参考訳）: 不均一Cryo-EM再構成のためのタンパク質グラフニューラルネットワーク
• Authors: Jonathan Krook, Axel Janson, Joakim andén, Melanie Weber, Ozan Öktem,
• Abstract要約: 異種単一粒子低温電子顕微鏡(cryo-EM)再構成のための幾何学的手法を提案する。 バックボーンをグラフとして表現し、グラフニューラルネットワーク(GNN)オートデコーダを用いて、画像ごとの潜伏変数をテンプレートコンフォメーションの3次元変位にマッピングする。
• 参考スコア（独自算出の注目度）: 5.264562311559749
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a geometry-aware method for heterogeneous single-particle cryogenic electron microscopy (cryo-EM) reconstruction that predicts atomic backbone conformations. To incorporate protein-structure priors, we represent the backbone as a graph and use a graph neural network (GNN) autodecoder that maps per-image latent variables to 3D displacements of a template conformation. The objective combines a data-discrepancy term based on a differentiable cryo-EM forward model with geometric regularization, and it supports unknown orientations via ellipsoidal support lifting (ESL) pose estimation. On synthetic datasets derived from molecular dynamics trajectories, the proposed GNN achieves higher accuracy compared to a multilayer perceptron (MLP) of comparable size, highlighting the benefits of a geometry-informed inductive bias.
• Abstract（参考訳）: 原子のバックボーン構造を予測する異種単一粒子低温電子顕微鏡(cryo-EM)再構成のための幾何学的手法を提案する。 タンパク質構造を組み込むために、バックボーンをグラフとして表現し、グラフニューラルネットワーク(GNN)オートデコーダを用いて、画像ごとの潜伏変数をテンプレートコンフォメーションの3次元変位にマッピングする。 この目的は、微分可能なCryo-EMフォワードモデルに基づくデータ差分項と幾何正則化を組み合わせ、楕円形支持リフト(ESL)ポーズ推定により未知の向きをサポートする。 分子動力学軌道から得られた合成データセットにおいて、提案したGNNは、同じ大きさの多層パーセプトロン(MLP)と比較して精度が高く、幾何学的インフォームドインダクティブバイアスの利点を浮き彫りにしている。

関連論文リスト

• Direct Molecular Polarizability Prediction with SO(3) Equivariant Local Frame GNNs [2.9853030364785003]
  分子のテンソル応答特性を予測するために設計された,新しい同変グラフニューラルネットワークアーキテクチャを提案する。 我々のGNNは、局所的なメッセージパッシングフレームワークにスカラー、ベクトル、テンソルチャネルを統合することで、幾何学的情報を効果的にキャプチャする。 モデルの精度を評価するため、QM7-Xデータセットにおける分子の偏光率を推定し、テンソルメッセージパッシングがスカラーメッセージパッシングモデルより優れていることを示す。
  論文  参考訳（メタデータ） (2025-11-10T13:23:20Z)
• CryoSplat: Gaussian Splatting for Cryo-EM Homogeneous Reconstruction [48.45613121595709]
  低温電子顕微鏡(cryo-EM)は、分子構造をほぼ原子の分解能で決定するのに役立つ。 単一粒子Cryo-EMにおける中心的な計算課題は、未知の方向で取得されたノイズの多い2Dプロジェクションから分子の3次元静電ポテンシャルを再構築することである。 本稿では,GMMをベースとしたCryoSplatを提案し,Gaussian splattingとCryo-EM画像形成の物理を統合する。
  論文  参考訳（メタデータ） (2025-08-06T23:24:43Z)
• A Hitchhiker's Guide to Geometric GNNs for 3D Atomic Systems [87.30652640973317]
  原子系の計算モデリングの最近の進歩は、これらを3次元ユークリッド空間のノードとして埋め込まれた原子を含む幾何学的グラフとして表現している。 Geometric Graph Neural Networksは、タンパク質構造予測から分子シミュレーション、物質生成まで、幅広い応用を駆動する機械学習アーキテクチャとして好まれている。 本稿では,3次元原子システムのための幾何学的GNNの分野について,包括的で自己完結した概要を述べる。
  論文  参考訳（メタデータ） (2023-12-12T18:44:19Z)
• GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles [60.12186997181117]
  分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。 既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。 エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
  論文  参考訳（メタデータ） (2021-06-08T14:17:59Z)
• Spherical convolutions on molecular graphs for protein model quality assessment [0.0]
  本研究では,分子グラフとして表されるタンパク質の3次元モデルを処理する球状グラフ畳み込みネットワーク(S-GCN)を提案する。 タンパク質モデル品質評価問題の枠組みの中で,提案した球面畳み込み法がモデル評価の質を著しく向上することを示す。
  論文  参考訳（メタデータ） (2020-11-16T14:22:36Z)
• Gauge Equivariant Mesh CNNs: Anisotropic convolutions on geometric graphs [81.12344211998635]
  メッシュ上の畳み込みを定義する一般的なアプローチは、それらをグラフとして解釈し、グラフ畳み込みネットワーク(GCN)を適用することである。 本稿では、GCNを一般化して異方性ゲージ同変カーネルを適用するGauge Equivariant Mesh CNNを提案する。 本実験は,従来のGCNおよび他の手法と比較して,提案手法の表現性を大幅に向上することを示した。
  論文  参考訳（メタデータ） (2020-03-11T17:21:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。