論文の概要: Traditional machine learning vs. deep learning from dynamic graph representations of proteins' 3D folds in the task of protein structure classification

• arxiv url: http://arxiv.org/abs/2605.29228v1
• Date: Thu, 28 May 2026 01:37:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:55.580833
• Title: Traditional machine learning vs. deep learning from dynamic graph representations of proteins' 3D folds in the task of protein structure classification
• Title（参考訳）: タンパク質の3次元折り畳みの動的グラフ表現による従来の機械学習と深層学習 : タンパク質構造分類の課題
• Authors: Aydin Wells, Francis A. Gatsi, Aaron Striegel, Tijana Milenković,
• Abstract要約: タンパク質構造分類(PSC)は、教師付き学習を用いて、タンパク質の配列または3D構造の特徴から、タンパク質のCATH/SCOP(e)クラスを予測する 我々は、PSNベースの動的PSCタスクにおいて、従来の機械学習(ML)と自動ディープラーニング(DL)を初めて評価する。
• 参考スコア（独自算出の注目度）: 0.13999481573773068
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Protein structure classification (PSC) uses supervised learning to predict a protein's CATH/SCOP(e) class from the protein's sequence or 3D structural feature(s). We already modeled 3D structures as (static) protein structure networks (PSNs), demonstrating the competitiveness of PSN-based features to sequence or direct (i.e. non-network) 3D structural features in the PSC task. More recently, we demonstrated the power of features extracted from dynamic PSNs over features extracted from static PSNs (and thus by transitivity over sequence and direct 3D structural features) in the same task. That dynamic PSN approach used traditional machine learning (ML), combining manual (pre-engineered) features with an off-the-shelf classifier. Here, we evaluate whether automatic deep learning (DL) from the dynamic PSNs yields improvements. Our evaluation on 72 datasets spanning ~44,000 CATH- or SCOPe-labeled dynamic PSNs reveals that in terms of PSC accuracy, traditional ML and DL are (close to) tied for a large majority of the datasets, while DL is on average 10+ times slower. We are the first to evaluate traditional ML vs. DL in the dynamic PSN-based PSC task.
• Abstract（参考訳）: タンパク質構造分類 (PSC) は、教師付き学習を用いて、タンパク質の配列または3D構造の特徴から、タンパク質のCATH/SCOP(e)クラスを予測する。 我々はすでに3D構造を(静的な)タンパク質構造ネットワーク (PSN) としてモデル化しており、PSNをベースとした特徴がPSCタスクの配列や直接的(非ネットワーク的な)3D構造の特徴と競合することを示す。 より最近では,静的PSNから抽出した特徴量に対して動的PSNから抽出した特徴量(従って,逐次的および直接的3次元構造的特徴量による)を同じタスクで実演した。 この動的PSNアプローチは従来の機械学習(ML)を使用しており、手動(プレエンジニアリング)機能とオフザシェルフ分類器を組み合わせたものである。 ここでは、動的PSNからの自動深層学習(DL)が改善するかどうかを評価する。 約44,000 CATH または SCOPe-labeled dynamic PSN にまたがる72のデータセットに対する評価では、PSC の精度の観点からは、従来の ML と DL がデータセットの大部分に結びついているのに対して、DL は平均 10 倍以上遅くなっている。 動的PSNに基づくPSCタスクにおいて,従来のML対DLを初めて評価した。

関連論文リスト

• Rigidity-Aware Geometric Pretraining for Protein Design and Conformational Ensembles [74.32932832937618]
  我々は、微調整の前に幾何学学習を前もってロードする幾何学事前学習フレームワークであるtextbfRigidSSL$(textitRigidity-Aware Self-Supervised Learning$)を紹介した。 フェーズI(RigidSSL-Perturb)は、AlphaFoldタンパク質構造データベースから432K構造から、シミュレートされた摂動を持つ幾何学的先行を学習する。 フェーズII(RigidSSL-MD)は、1.3K分子動力学軌道上のこれらの表現を洗練し、物理的に現実的な遷移を捉える。
  論文  参考訳（メタデータ） (2026-03-02T21:32:30Z)
• Parallel Spiking Neurons with High Efficiency and Ability to Learn Long-term Dependencies [43.436442674399544]
  スパイキングニューラルネットワーク(SNN)は、チャージ・ファイア・リセット・ニューラル・ダイナミクスを使用する。 本稿では,前者とは独立に隠れた状態を生成するParallel Spiking Neuron (PSN)を提案する。 我々はPSNファミリーをシミュレーション速度と時間的・静的データ分類で評価し,PSNファミリーの効率と精度において圧倒的な優位性を示した。
  論文  参考訳（メタデータ） (2023-04-25T12:19:18Z)
• Instance-aware Dynamic Prompt Tuning for Pre-trained Point Cloud Models [64.49254199311137]
  本稿では,事前学習点クラウドモデルのための新しいインスタンス対応動的プロンプトチューニング(IDPT)戦略を提案する。 IDPTの本質は、各ポイントクラウドインスタンスのセマンティックな事前特徴を知覚する動的プロンプト生成モジュールを開発することである。 実験では、IDPTはトレーニング可能なパラメータのわずか7%で、ほとんどのタスクにおいて完全な微調整よりも優れています。
  論文  参考訳（メタデータ） (2023-04-14T16:03:09Z)
• PDSketch: Integrated Planning Domain Programming and Learning [86.07442931141637]
  我々は PDSketch という新しいドメイン定義言語を提案する。 これにより、ユーザーはトランジションモデルで柔軟にハイレベルな構造を定義できる。 移行モデルの詳細は、トレーニング可能なニューラルネットワークによって満たされる。
  論文  参考訳（メタデータ） (2023-03-09T18:54:12Z)
• No Pain, Big Gain: Classify Dynamic Point Cloud Sequences with Static Models by Fitting Feature-level Space-time Surfaces [46.8891422128]
  本研究では,キネマティックスにインスパイアされたニューラルネットワーク(Kinet)を提案する。 Kinetは、機能レベルのダイナミクスを暗黙的にエンコードし、静的ポイントクラウド処理に成熟したバックボーンを使用することで利点を得る。 キネは320万のパラメータと10.35G FLOPSしか持たないMSRAction-3Dで93.27%の精度を達成した。
  論文  参考訳（メタデータ） (2022-03-21T16:41:35Z)
• PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning [109.84770951839289]
  歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。 本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-17T08:28:30Z)

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。