دانلود مقاله به منظور یادگیری جابجایی های قابل انتقال برای ترکیب پروتئین
موضوع انگلیسی:Towards learning transferable embeddings for protein conformations using Variational Autoencoders
زبان: انگلیسی
فرمت فایل: pdf
تعداد صفحه:10
سال انتشار:2021
چکیده
تجزیه و تحلیل گذارهایی که یک ترکیب پروتئینی می تواند انجام دهد ، گامی مهم در جهت دستیابی به درک کامل از عملکرد پروتئین است. در این زمینه ، یادگیری اطلاعات کم حجم و قابل انتقال پروتئین ها
تطابق از اهمیت زیادی برای توسعه رویکردهای محاسباتی قوی برخوردار است که می تواند پروتئین سیستم های پویا را مدل کند.
در این مقاله ما یک ارزیابی تجربی از توانایی نمایش فضاهای نهفته آموخته شده توسط یک تنوع انجام می دهیم
Autoencoder (VAE) در مورد مسیر پروتئین های متعلق به یک خانواده بزرگ آموزش دیده است تا پروتئین دیده نشده از همان را مشخص کند
فوق خانواده در مطالعه ما، ما کدگذاری‌های فضای نهفته به‌دست‌آمده با استفاده از دو نمایش برای ترکیب‌های پروتئینی را مقایسه می‌کنیم و تأثیر ابعاد فضای پنهان را بر کیفیت جاسازی‌ها ارزیابی می‌کنیم. نتایج بدست آمده نشان می دهد که
فضای نهفته VAE می تواند اطلاعات ساختاری مشخص کننده یک خانواده پروتئینی خاص را در بر بگیرد و در نتیجه ، به
یک پروتئین آزمایشی متفاوت از آن ابرخانواده
