Representation Theor的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列免費下載的地點或者是各式教學

以結構力學統計學習闡明蛋白質功能性質的分子機制

為了解決Representation Theor的問題，作者尼克森 這樣論述：

摘要. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iAbstract . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iiTable of Contents . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iiiList of Figure

s . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . viList of Tables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . viii1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11.1 Research problems . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11.2 Roles of backbone and side chains in protein folding and function . . . . . . . 31.3 Overview of molecular dynamics simulation . . . . . . . . . . . . . . . . . . . 41.3.1 Basic Theory . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . 41.3.2 Inter-atomic potentials . . . . . . . . . . . . . . . . . . . . . . . . . . 61.4 Coarse-grained approaches of protein simulation . . . . . . . . . . . . . . . . 71.5 Network analysis of proteins . . . . . . . . . . . . . . . . . . . . . . . . . . . 81.5.1 Elastic Network Models (

ENM) . . . . . . . . . . . . . . . . . . . . . 81.5.2 Graph theory to analyze protein structural network . . . . . . . . . . . 91.5.3 Allosteric regulation mechanisms through network based approaches . 101.6 The protein model systems under investigation . . . . . . . . . . . . . . . . . 121.6.1 Seri

ne protease: rat trypsin . . . . . . . . . . . . . . . . . . . . . . . . 131.6.2 PDZ3 domain . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131.7 Outline of research . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142 Computational Methods . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . 162.1 All-atom molecular dynamic simulations . . . . . . . . . . . . . . . . . . . . . 162.2 Parameterization of bsENM by structure-mechanics statistical learning . . . . . 172.2.1 Atomic-to-CG mapping . . . . . . . . . . . . . . . . . . . . . . . . . 172.2.2 Compu

ting spring constants using fluctuation matching . . . . . . . . . 182.2.3 Determination of optimal lc cutoff . . . . . . . . . . . . . . . . . . . . 192.3 Construction of inter-residue rigidity graphs from statistically learned springconstants . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . 202.4 Similarity analysis of rigidity graphs . . . . . . . . . . . . . . . . . . . . . . . 212.5 Protein rigidity graphs – statistical analysis . . . . . . . . . . . . . . . . . . . 222.5.1 Analysis of the statistical fluctuations of rigidity graph through theirmean-modes . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . 222.5.2 Calculation of mean-mode contents in an analysis time window . . . . 232.5.3 Identification of prominent eigenmodes of a rigidity graph . . . . . . . 242.6 Calculation of the residue rigidity scores for backbone and side-chains of themode

l proteins . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 252.7 Determination of prominent mechanical responses upon substrate binding/dissociationin the model proteins . . . . . . . . . . . . . . . . . . . . . . . . . . 262.8 Multiple sequence alignment for PDZ3 . . . . . . . .

. . . . . . . . . . . . . . 263 Results and Discussions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 283.1 How does the protein mechanical coupling network differ from the structuraltopology? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 293.1.1 The co

llective modes of Laplacian matrices are related to skeleton springs 303.1.2 Non-skeleton springs ofKreveal chemically specific patterns in the proteinmechanical coupling network . . . . . . . . . . . . . . . . . . . . 303.1.3 Protein mechanical coupling network is sparse . . . . . . . . . . . . . 3

13.2 Protein mechanical couplings have heavy-tailed and scale-free network properties 323.2.1 The mechanical coupling networks in rat trypsin . . . . . . . . . . . . 333.2.2 The mechanical coupling networks in PDZ3 domain . . . . . . . . . . 343.3 Backbone and side-chain couplings exhibit different

patterns in their mechanicalhotspots . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 353.3.1 Mechanical hotspots of backbone-backbone couplings primarily locatein β-strands . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 363.3.2 Mechanical hotspots of side

-chain-side-chain couplings are different frombackbone-backbone couplings . . . . . . . . . . . . . . . . . . . . . . 373.3.3 Mechanical hotspots of backbone-side-chain have scattered couplings . 383.4 Emergence of long-range mechanical couplings from the prominent modes inrigidity graphs . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 393.5 Residue rigidity scores defined for backbone and side-chain mechanical couplings– a useful metric for biological functions . . . . . . . . . . . . . . . . . 413.6 Mechanical relay in rat trypsin due to unbinding of BPTI . . . . . . .

. . . . . 433.6.1 The mechanical relay in catalytic domain rearrangement . . . . . . . . 453.6.2 The mechanical relay leads to collapse of calcium-binding loop . . . . 453.6.3 Dynamic allostery from the catalytic domain to the activation domain . 463.7 Mechanical relay in PDZ3 domain due to binding

of CRIPT peptide . . . . . . 473.7.1 Mechanical relay due to hydrogen bonding . . . . . . . . . . . . . . . 473.7.2 Mechanical relay of hydrophobic interactions spread across the β-sandwich 483.7.3 Hotspots in mechanical relay are mostly functional residues . . . . . . 483.7.4 MSA motivated by mecha

nical relay illustrates the evolutionary constraintsof inter-domain allostery . . . . . . . . . . . . . . . . . . . . . 494 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 515 Figures and Tables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . 53Bibliography . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89Appendix A 附錄標題. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109List of Publications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116

Using multiple windows scanning and natural language processing techniques to study electron transport proteins

為了解決Representation Theor的問題，作者胡光泰 這樣論述：

大自然是人們發現和重現精彩發明的無限靈感來源，受到神經元在人腦中工作方式的啟發，卷積神經網絡 (CNN) 被提出並成為影像相關研究任務中強大且廣泛使用的工具。卷積神經網絡及其結構變體的快速發展，在計算機影像分類領域與許多其他領域都取得了許多很不錯的成果。此外，卷積神經網絡也認為是提取影像數據中隱藏信息的有效工具。在生物資訊領域，CNN 在過去十年中也獲得了極大的興趣，尤其是在生物醫學影像方面。然而，目前將 CNN 應用於非視覺數據（如蛋白質序列）的研究分析仍然相對較少。本論文希望使用多種不同的窗口大小和許多過濾器來提取序列片段內特徵序列屬性，並進而發展出一種將CNN中的過濾器轉化成序列特徵片

段的可視化方法，希望除了能夠提升運輸蛋白本身鑑別與其中功能結合位置的預測效能之外，還希望能夠更進一步的分析這些序列特徵片段，來協助了解這些運輸蛋白生物意義。最近，自然語言處理領域在成功應用Transformer網路幫助研究人員將注意力模型應用到各問題上有效提升了效能，在此論文中我們也嘗試的應用相關的技術來幫忙分析電子傳遞蛋白當中的功能結合位置。此論文的研究在三部分的工作中使用多重窗口掃描和自然語言處理技術來系統化學習了電子傳遞蛋白中的幾個問題。首先，我們使用多窗口掃描技術來預測運輸蛋白中的電子運輸蛋白。在獨立的測試資料集中，我們的模型的平均靈敏度為 92.59%，特異性為 98.19%，準確度

為 97.41%，馬修相關係數 (MCC) 為 0.89。此外，我們的方法可以識別電子傳遞蛋白中具有不同分子功能的複合物。在五個獨立的數據集中，MCC 分別為 0.86、0.80、0.88、1.00 和 0.92。在第二項工作中，我們將從Transformer的雙向編碼器表示 (BERT) 預訓練模型中提取的特徵集與位置特定分數矩陣配置文件 (PSSM) 和氨基酸索引數據庫 (AAIndex) 相結合，以識別黃素腺嘌呤二核苷酸 (FAD)電子傳遞蛋白中的結合位點，平均靈敏度為 85.19%，特異性為 85.62%，準確度為 85.60%，獨立數據集的 MCC 為 0.35。在最後的研究部分，我

們嘗試使用多窗口掃描技術來解決墊子傳遞蛋白FAD結合位置的識別問題。為了解決自然界中數據量不大的問題，我們首先使用轉運蛋白中FAD結合位點的PSSM配置文件訓練模型。然後，我們使用該模型來預測電子傳遞蛋白中的 FAD 結合位置。在我們的分析中，我們發現獨立數據集的性能平均敏感度為 92.59%，特異性為 98.19%，準確度為 97.41%，MCC 為 0.89。我們方法的性能在所有測量指標上都優於其他已發布的方法。