論文の概要: Discrete Ricci Curvature on Protein Contact Graphs for Lightweight Fold Classification

• arxiv url: http://arxiv.org/abs/2607.16553v1
• Date: Fri, 17 Jul 2026 23:24:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.180261
• Title: Discrete Ricci Curvature on Protein Contact Graphs for Lightweight Fold Classification
• Title（参考訳）: 軽量金型分類のためのタンパク質接触グラフ上の離散リッチ曲率
• Abstract要約: 我々は、折りたたみ分類のための軽量な構造記述子として、カルファ接点グラフ上のリッチ曲率を用いる。 軽量な構造記述子は平均プール式ESM-2埋め込みよりも大幅に優れていた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Protein fold classification can be approached via sequence-based representations or structural descriptors, but direct comparisons between lightweight handcrafted descriptors and pretrained protein language model embeddings remain limited. We investigate discrete Ricci curvature on Calpha contact graphs as a lightweight structural descriptor for fold classification. Each protein domain is represented by a 22-dimensional fixed-length feature derived from summary statistics and quantiles of Ollivier-Ricci and Forman-Ricci edge curvature distributions. We evaluate on CATH top-10 Topology classification and on the ASTRAL 40%-identity SCOPe top-10 Fold benchmark, comparing against geometry, contact-graph statistics, persistent homology, and mean-pooled ESM-2 (150M) baselines. On both datasets, lightweight structural descriptors substantially outperform mean-pooled ESM-2 embeddings, with a larger performance gap on the ASTRAL 40% SCOPe benchmark. Ricci alone uses 22 dimensions, or 3.4% of the ESM-2 baseline dimensionality, and already outperforms mean-pooled ESM-2 on both datasets. Combining Ricci with persistent homology yields the strongest performance, achieving macro-F1 of 0.71 on CATH and 0.68 on SCOPe with a 112-dimensional feature vector. These results identify a regime where lightweight interpretable graph descriptors offer a practical alternative to pretrained protein language model embeddings.
• Abstract（参考訳）: タンパク質の折り畳み分類は、配列ベースの表現や構造記述子によってアプローチできるが、軽量の手作り記述子と事前訓練されたタンパク質言語モデルの埋め込みとの直接比較は限定的である。 折り畳み分類のための軽量な構造記述子として, カルファ接点グラフ上のリッチ曲率について検討した。 各タンパク質ドメインは、Ollivier-RicciおよびForman-Ricciエッジ曲率分布の要約統計および定量から導かれる22次元の固定長特徴によって表現される。 本研究では,CATH Top-10 Topology分類とASTral 40%-identity SCOPe Top-10 Foldベンチマークを用いて,幾何,接触グラフ統計,永続ホモロジー,平均プールESM-2(150M)ベースラインとの比較を行った。 両方のデータセットでは、軽量な構造記述子は平均プールのESM-2埋め込みよりも大幅に優れており、ASTRAL 40%のSCOPeベンチマークではパフォーマンスの差が大きい。 Ricciは22次元または3.4%のESM-2ベースライン次元を使用しており、既に両方のデータセットで平均プール付きESM-2を上回っている。 Ricciと永続ホモロジーを組み合わせることで、CATHでは0.71のマクロF1、SCOPeでは0.68のマクロF1を、112次元の特徴ベクトルで達成できる。 これらの結果は、軽量な解釈可能なグラフ記述子が、事前訓練されたタンパク質言語モデルの埋め込みに代わる実用的な代替手段を提供する状況を特定する。

関連論文リスト

• CuBAS: Information Geometric Curvature-Based Adaptive Sampling for Supervised Classification [52.452902154360565]
  CuBASは、教師付き分類における適応データ選択のための情報幾何学的フレームワークである。 ラベル付きデータセットは統計多様体と見なすことができ、局所曲率は2階と1階の観測されたフィッシャー情報の比率で推定され、データの分布の幾何学的複雑さを忠実にエンコードする。
  論文  参考訳（メタデータ） (2026-07-03T09:36:02Z)
• SEED: Targeted Data Selection by Weighted Independent Set [76.68391670109433]
  我々はSEEDと呼ばれる堅牢でスケーラブルなデータ選択パイプラインを開発した。 SEEDは、命令チューニング、視覚的命令チューニング、セマンティックセグメンテーションにおける最先端の手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2026-05-15T07:26:54Z)
• Quantum-Inspired Geometric Classification with Correlation Group Structures and VQC Decision Modeling [0.5039813366558307]
  本稿では、相関群構造(CGR)、コンパクトなSWAPテストに基づく重複推定、選択的変分量子決定モデリングを統合した幾何駆動型量子インスピレーション型分類フレームワークを提案する。 CGRは特徴をアンカー中心の相関近傍に整理し、非線形で相関重み付き表現を生成する。 Credit Card Fraudデータセット(0.17%)では、Delta + VQCパイプラインが約0.85マイノリティリコールを約1.31%の警告レートで達成し、ROC-AUC 0.9249とPR-AUC 0.3251をフルデータセットで評価している。
  論文  参考訳（メタデータ） (2026-04-02T11:50:29Z)
• TerraBind: Fast and Accurate Binding Affinity Prediction through Coarse Structural Representations [0.7891868017562221]
  本稿では,タンパク質リガンド構造と結合親和性予測の基礎モデルTerraBindを提案する。 最新の手法よりも26倍高速な推論を実現し、親和性予測精度を$sim$20%向上させる。
  論文  参考訳（メタデータ） (2026-02-08T00:01:43Z)
• Structure-Informed Estimation for Pilot-Limited MIMO Channels via Tensor Decomposition [51.56484100374058]
  本稿では、スパース観測から低ランクテンソル完備化としてパイロットリミテッドチャネル推定を定式化する。 合成チャネル実験による最小二乗平均二乗誤差(NMSE)の最小二乗平均誤差(LS)に対する改善 DeepMIMO線トレーシングチャネルの評価では、純粋なテンソル法よりも24-44%NMSEが減少している。
  論文  参考訳（メタデータ） (2026-02-03T23:38:05Z)
• Investigating Knowledge Distillation Through Neural Networks for Protein Binding Affinity Prediction [0.22369578015657954]
  予測精度とデータ可用性のトレードオフにより、タンパク質結合親和性を正確に予測することは困難である。 学習中にタンパク質構造データを使用し,推論時にのみシーケンスデータを必要とする知識蒸留に基づく回帰フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-07T08:43:08Z)
• MS-ISSM: Objective Quality Assessment of Point Clouds Using Multi-scale Implicit Structural Similarity [65.85858856481131]
  点雲の非構造的で不規則な性質は、客観的品質評価(PCQA)に重大な課題をもたらす マルチスケールインシシシット構造類似度測定(MS-ISSM)を提案する。
  論文  参考訳（メタデータ） (2026-01-03T14:58:52Z)
• Aligned Manifold Property and Topology Point Clouds for Learning Molecular Properties [55.2480439325792]
  この研究は、局所量子由来のスカラー場とカスタムトポロジカルディスクリプタを組み合わせた分子表面表現であるAMPTCRを導入する。 分子量については、AMPTCRが物理的に意味のあるデータをコードし、検証R2は0.87であることを確認した。 細菌抑制タスクでは、AMPTCRは大腸菌阻害値の分類と直接回帰の両方を可能にする。
  論文  参考訳（メタデータ） (2025-07-22T04:35:50Z)
• Low-complexity deep learning frameworks for acoustic scene classification [64.22762153453175]
  音響シーン分類(ASC)のための低複雑さ深層学習フレームワークを提案する。 提案するフレームワークは、フロントエンドのスペクトログラム抽出、オンラインデータ拡張、バックエンドの分類、予測される確率の後期融合の4つの主要なステップに分けることができる。 DCASE 2022 Task 1 Development データセットで実施した実験は,低複雑さの要求を十分に満たし,最も高い分類精度を 60.1% で達成した。
  論文  参考訳（メタデータ） (2022-06-13T11:41:39Z)

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。