Fugu-MT 論文翻訳(概要): Deep Learning for Protein Complex Prediction and Design

論文の概要: Deep Learning for Protein Complex Prediction and Design

arxiv url: http://arxiv.org/abs/2605.11189v1
Date: Mon, 11 May 2026 19:53:18 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-13 21:48:56.395374
Title: Deep Learning for Protein Complex Prediction and Design
Title（参考訳）: タンパク質複合体の予測と設計のための深層学習
Authors: Ziwei Xie,
Abstract要約: この論文は、タンパク質構造の階層的な性質を捉えるドメイン固有のアーキテクチャと、タンパク質複合体の広大な配列空間を効率的にナビゲートする探索アルゴリズムの2つの基本的な側面をディープラーニングを用いて調査する。
参考スコア（独自算出の注目度）: 1.2918076675053387
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Accurately modeling and designing protein complex structures is a central problem in computational structural biology, with broad implications for understanding cellular function and developing therapeutics. This thesis investigates two fundamental aspects of this problem using deep learning: domain-specific architectures that capture the hierarchical nature of protein structures, and search algorithms that efficiently navigate the vast sequence spaces of protein complexes to identify interacting homologs for improving complex structure prediction and to design protein sequences.
Abstract（参考訳）: タンパク質複合体構造を正確にモデル化し、設計することは、計算構造生物学における中心的な問題であり、細胞機能を理解し、治療を開発するために幅広い意味を持つ。この論文は、タンパク質構造の階層的な性質を捉えるドメイン固有アーキテクチャと、タンパク質複合体の広大な配列空間を効率的にナビゲートして相互作用するホモログを同定し、複雑な構造予測を改善し、タンパク質配列を設計する探索アルゴリズムの2つの基本的な側面をディープラーニングを用いて調査する。

関連論文リスト

A Survey of Deep Learning Methods in Protein Bioinformatics and its Impact on Protein Design [3.5897534810405403]
ディープラーニングはコンピュータビジョンや自然言語処理などの分野において顕著な性能を示している。近年、タンパク質配列のデータ豊富な領域に応用され、大きな成功を収めている。ディープラーニングによって達成された性能改善は、タンパク質バイオインフォマティクスの分野での新たな可能性を開く。
論文参考訳（メタデータ） (2025-01-02T05:21:34Z)
ProteinWeaver: A Divide-and-Assembly Approach for Protein Backbone Design [61.19456204667385]
本稿では,タンパク質のバックボーン設計のための2段階フレームワークであるProteinWeaverを紹介する。プロテインウィーバーは、多用途ドメインアセンブリを通じて高品質で新規なタンパク質のバックボーンを生成する。分割組立パラダイムを導入することにより、タンパク質工学を進歩させ、機能的タンパク質設計のための新たな道を開く。
論文参考訳（メタデータ） (2024-11-08T08:10:49Z)
CPE-Pro: A Structure-Sensitive Deep Learning Method for Protein Representation and Origin Evaluation [7.161099050722313]
タンパク質構造評価用結晶対予測学習モデル(CPE-Pro)を開発した。 CPE-Proはタンパク質の構造情報を学習し、構造間の差異を捉え、4つのデータクラスの正確なトレーサビリティを実現する。我々は Foldseek を用いてタンパク質構造を「構造配列」にエンコードし、タンパク質構造配列言語モデル SSLM を訓練した。
論文参考訳（メタデータ） (2024-10-21T02:21:56Z)
A Protein Structure Prediction Approach Leveraging Transformer and CNN Integration [4.909112037834705]
本稿では、畳み込みニューラルネットワーク(CCN)を用いた2次元融合深層ニューラルネットワークモデルDstruCCNと、単一配列タンパク質構造予測のための教師付きトランスフォーマー言語モデルを採用する。両者のトレーニング特徴を組み合わせ、タンパク質トランスフォーマー結合部位マトリックスを予測し、エネルギー最小化を用いて三次元構造を再構築する。
論文参考訳（メタデータ） (2024-02-29T12:24:20Z)
Progressive Multi-Modality Learning for Inverse Protein Folding [47.095862120116976]
マルチモーダルトランスファー学習を利用するMMDesignと呼ばれる新しいタンパク質設計パラダイムを提案する。 MMDesignは、事前訓練された構造モジュールと事前訓練されたコンテキストモジュールを組み合わせる最初のフレームワークである。実験結果は、小さなデータセットでのみトレーニングした結果、MMDesignが様々な公開ベンチマークのベースラインを一貫して上回っていることを示している。
論文参考訳（メタデータ） (2023-12-11T10:59:23Z)
State-specific protein-ligand complex structure prediction with a multi-scale deep generative model [68.28309982199902]
タンパク質-リガンド複合体構造を直接予測できる計算手法であるNeuralPLexerを提案する。我々の研究は、データ駆動型アプローチがタンパク質と小分子の構造的協調性を捉え、酵素や薬物分子などの設計を加速させる可能性を示唆している。
論文参考訳（メタデータ） (2022-09-30T01:46:38Z)
Learning Geometrically Disentangled Representations of Protein Folding Simulations [72.03095377508856]
この研究は、薬物標的タンパク質の構造的アンサンブルに基づいて生成ニューラルネットワークを学習することに焦点を当てている。モデル課題は、様々な薬物分子に結合したタンパク質の構造的変動を特徴付けることである。その結果,我々の幾何学的学習に基づく手法は,複雑な構造変化を生成するための精度と効率の両方を享受できることがわかった。
論文参考訳（メタデータ） (2022-05-20T19:38:00Z)
Transfer Learning for Protein Structure Classification at Low Resolution [124.5573289131546]
タンパク質のクラスとアーキテクチャの正確な(geq$80%)予測を、低い(leq$3A)解像度で決定された構造から行うことができることを示す。本稿では, 高速で低コストなタンパク質構造を低解像度で分類するための概念実証と, 機能予測への拡張の基礎を提供する。
論文参考訳（メタデータ） (2020-08-11T15:01:32Z)
Deep Learning in Protein Structural Modeling and Design [6.282267356230666]
ディープラーニングは、ビッグデータ、アクセシブルツールキット、強力な計算リソースによって刺激される科学的革命を触媒している。タンパク質構造モデリングは、生物学的システムを分子レベルで理解し、設計するために重要である。このレビューは、計算生物学者がタンパク質モデリングに適用される深層学習法に精通するのを助けることを目的としており、コンピュータ科学者は深層学習技術から恩恵を受ける可能性のある生物学的に有意義な問題を考察する。
論文参考訳（メタデータ） (2020-07-16T14:59:38Z)
BERTology Meets Biology: Interpreting Attention in Protein Language Models [124.8966298974842]
注目レンズを用いたタンパク質トランスフォーマーモデルの解析方法を示す。注意はタンパク質の折りたたみ構造を捉え、基礎となる配列では遠く離れているが、三次元構造では空間的に近接しているアミノ酸を接続する。また、注意とタンパク質構造との相互作用を三次元的に可視化する。
論文参考訳（メタデータ） (2020-06-26T21:50:17Z)

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。