文献

J-GLOBAL ID：202202238503539800   整理番号：22A0907002

深層学習アプローチを用いた小蛋白質の天然接触数の進化の予測【JST・京大機械翻訳】

Predicting the evolution of number of native contacts of a small protein by using deep learning approach

著者 (2件)： Santra Santanu (Molecular Simulation Laboratory, Department of Chemistry, National Institute of Technology, Rourkela 769008, India) ,  Jana Madhurima (Molecular Simulation Laboratory, Department of Chemistry, National Institute of Technology, Rourkela 769008, India)
資料名： Computational Biology and Chemistry  (Computational Biology and Chemistry)
巻： 97  ページ： Null  発行年： 2022年 
JST資料番号： H0201B  ISSN： 1476-9271  CODEN： COCHDK  資料種別： 逐次刊行物 (A)
記事区分： 短報  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： ネイティブ接触(NC)は,その天然状態との蛋白質立体配座の類似性を定義するために最も重要なパラメータの一つである。蛋白質における天然接触数の予測は蛋白質折畳み機構に有用である。本研究では,3つのニューラルネットワークベースのモデル,すなわち,3つのニューラルネットワークベースのモデルを用いることによって,小蛋白質,インシュリン単量体のNCの数の時系列を予測した。マルチライヤーパーセプトロン(MLP),長い短期メモリ(LSTM),およびゲートリカレントユニット(GRU)。本研究で用いた入力データは,高温と同様に周囲での蛋白質の水溶液で行った原子論的分子動力学(MD)シミュレーションの平衡軌道から計算した折畳み及び変性蛋白質立体配座のNC値の時間発展であった。3つのモデルの進化予測精度を,2つの誤差パラメータを計算することによってテストした。二乗平均平方根誤差(RMSE)と平均絶対誤差(MAE)。著者らの研究は,これらの3つのモデルが,より低いRMSEとMAEに関してNCの時間発展を予測するのに成功したが,静的メモリレス人工ニューラルネットワークによる予測,MLPは,他の2つの再発ユニット,LSTMとGRUと比較して,比較的精度が低いことを明らかにした。研究は,MD軌道から生成された利用可能な入力データを用いて推論する。これらのニューラルネットワークベースのモデルは,蛋白質の距離に基づく構造パラメータの複雑な進化パターンの予測に使用できる。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 記憶装置 ,  高温 ,  シミュレーション ,  データ ,  ニューラルネットワーク ,  インスリン ,  *タンパク質 ,  単量体 ,  折畳み ,  構造パラメータ ,  分子動力学 ,  時間発展 ,  機械学習
準シソーラス用語： 予測精度 ,  入力データ ,  *深層学習 , 【Automatic Indexing@JST】

著者キーワード (5件)： 機械学習 ,  蛋白質 ,  天然接触 ,  分子シミュレーション ,  時系列予測

分類 (2件)： 分子・遺伝情報処理  (JE15040B) ,  蛋白質・ペプチド一般  (EB03010N)

タイトルに関連する用語 (4件)： 深層学習 ,  蛋白質 ,  進化 ,  予測