Fugu-MT 論文翻訳(概要): Predicting Transmembrane Protein Topology from 3D Structure

論文の概要: Predicting Transmembrane Protein Topology from 3D Structure

arxiv url: http://arxiv.org/abs/2609.30446v1
Date: Thu, 24 Sep 2026 18:38:33 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-28 18:27:51.104312
Title: Predicting Transmembrane Protein Topology from 3D Structure
Title（参考訳）: 3次元構造からの膜貫通タンパク質トポロジーの予測
Abstract要約: 本稿では,最先端グラフニューラルネットワーク (GNN, SchNet) を用いたタンパク質トポロジーの推論手法を提案する。このモデルは、5倍のクロスバリデーションを持つ最新のDeepTMHMMモデルを開発するために使用されるのと同じデータセットでトレーニングされている。
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: This paper presents a novel approach to infer protein topology using the state-of-the-art graph neural network (GNN), SchNet. The model is trained on the same dataset used to develop the recent DeepTMHMM model with 5-fold cross-validation. Unlike the conventional approaches based on using only the protein sequences or the $α$-carbons as features, we have decoded our classifier in this way, so all atom-level embeddings are used. Without applying any pre-trained weight, the final results have shown great potential that GNNs can be used for topological predictions.
Abstract（参考訳）: 本稿では,最先端グラフニューラルネットワーク (GNN, SchNet) を用いたタンパク質トポロジーの推論手法を提案する。このモデルは、5倍のクロスバリデーションを持つ最新のDeepTMHMMモデルを開発するために使用されるのと同じデータセットでトレーニングされている。タンパク質配列や$α$-carbonsのみを特徴とする従来の手法とは異なり、この方法で分類器をデコードしたので、全ての原子レベルの埋め込みが使用される。事前訓練した重量を適用せずに、最終的な結果は、GNNがトポロジカルな予測に利用できる大きな可能性を示している。

関連論文リスト

ReDiSC: A Reparameterized Masked Diffusion Model for Scalable Node Classification with Structured Predictions [64.17845687013434]
本稿では,構造化ノード分類のための構造拡散モデルであるReDiSCを提案する。本稿では,ReDiSCが最先端のGNN,ラベル伝搬,拡散ベースラインと比較して,優れた,あるいは高い競争力を発揮することを示す。特にReDiSCは、従来の構造化拡散法が計算制約によって失敗する大規模データセットに効果的にスケールする。
論文参考訳（メタデータ） (2025-07-19T04:46:53Z)
Decoupled Sequence and Structure Generation for Realistic Antibody Design [45.72237864940556]
主要なパラダイムは、モデルに抗体配列と構造を候補として共同で生成するように訓練することである。本稿では, 配列生成と構造予測を分離した抗体配列構造デカップリング(ASSD)フレームワークを提案する。 ASSDは様々な抗体設計実験で性能が向上し、合成に基づく目的は非自己回帰モデルのトークン反復を軽減した。
論文参考訳（メタデータ） (2024-02-08T13:02:05Z)
Interpretable A-posteriori Error Indication for Graph Neural Network Surrogate Models [0.0]
本稿では,グラフニューラルネットワーク(GNN)の解釈可能性向上手法を提案する。最終結果は、予測タスクに本質的に関連付けられたサブグラフに対応する物理空間内の領域を分離する解釈可能なGNNモデルである。解釈可能なGNNは、推論中に予測される予測エラーの大部分に対応するグラフノードを特定するためにも使用できる。
論文参考訳（メタデータ） (2023-11-13T18:37:07Z)
HAC-Net: A Hybrid Attention-Based Convolutional Neural Network for Highly Accurate Protein-Ligand Binding Affinity Prediction [0.0]
本稿では,3次元畳み込みニューラルネットワークと2つのグラフ畳み込みニューラルネットワークからなる新しいディープラーニングアーキテクチャを提案する。 HAC-NetはPDBbind v.2016コアセットの最先端結果を取得する。我々は,このモデルを,構造に基づく生体分子特性予測に関連する幅広い教師付き学習問題に拡張できると考えている。
論文参考訳（メタデータ） (2022-12-23T16:14:53Z)
Secondary Protein Structure Prediction Using Neural Networks [5.076419064097734]
ニューラルネットワーク構造を用いてタンパク質の二次構造を予測する実験を行った。マウスと人間のデータセットでトレーニングされ、テストされたモデルの種間比較を行います。モデルに入力したタンパク質配列の長さを変える影響を検証した。
論文参考訳（メタデータ） (2022-08-24T01:08:09Z)
EBM-Fold: Fully-Differentiable Protein Folding Powered by Energy-based Models [53.17320541056843]
本研究では,データ駆動型生成ネットワークを用いたタンパク質構造最適化手法を提案する。 EBM-Foldアプローチは,従来のロゼッタ構造最適化ルーチンと比較して,高品質なデコイを効率よく生成できる。
論文参考訳（メタデータ） (2021-05-11T03:40:29Z)
Exploring the Uncertainty Properties of Neural Networks' Implicit Priors in the Infinite-Width Limit [47.324627920761685]
我々は、無限大のNNのアンサンブルに先立って関数空間をガウス過程として特徴づける最近の理論的進歩を用いる。これにより、関数空間上の暗黙の前のNNについて、よりよく理解できます。また,従来のNNGPを用いた分類手法の校正について検討した。
論文参考訳（メタデータ） (2020-10-14T18:41:54Z)
Interpreting Graph Neural Networks for NLP With Differentiable Edge Masking [63.49779304362376]
グラフニューラルネットワーク(GNN)は、構造的帰納バイアスをNLPモデルに統合する一般的なアプローチとなっている。本稿では,不要なエッジを識別するGNNの予測を解釈するポストホック手法を提案する。モデルの性能を劣化させることなく,多数のエッジを落とせることを示す。
論文参考訳（メタデータ） (2020-10-01T17:51:19Z)
Improving predictions of Bayesian neural nets via local linearization [79.21517734364093]
ガウス・ニュートン近似は基礎となるベイズニューラルネットワーク(BNN)の局所線形化として理解されるべきである。この線形化モデルを後部推論に使用するので、元のモデルではなく、この修正モデルを使用することも予測すべきである。この修正された予測を"GLM predictive"と呼び、Laplace近似の共通不適合問題を効果的に解決することを示す。
論文参考訳（メタデータ） (2020-08-19T12:35:55Z)
Infinitely Wide Graph Convolutional Networks: Semi-supervised Learning via Gaussian Processes [144.6048446370369]
グラフ畳み込みニューラルネットワーク(GCN)は近年,グラフに基づく半教師付き半教師付き分類において有望な結果を示した。グラフに基づく半教師付き学習のためのGCN(GPGC)を用いたGP回帰モデルを提案する。 GPGCを評価するための広範囲な実験を行い、他の最先端手法よりも優れていることを示す。
論文参考訳（メタデータ） (2020-02-26T10:02:32Z)

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。