Hierarchical, rotation-equivariant neural networks to select structural models of protein complexes.

Eismann, Stephan; Townshend, Raphael J L; Thomas, Nathaniel; Jagota, Milind; Jing, Bowen; Dror, Ron O

Eismann, Stephan; Townshend, Raphael J L; Thomas, Nathaniel; Jagota, Milind; Jing, Bowen; Dror, Ron O.

Afiliación

Eismann S; Department of Applied Physics, Stanford University, Stanford, California, USA.
Townshend RJL; Department of Computer Science, Stanford University, Stanford, California, USA.
Thomas N; Department of Computer Science, Stanford University, Stanford, California, USA.
Jagota M; Department of Physics, Stanford University, Stanford, California, USA.
Jing B; Department of Computer Science, Stanford University, Stanford, California, USA.
Dror RO; Department of Electrical Engineering, Stanford University, Stanford, California, USA.

Proteins ; 89(5): 493-501, 2021 05.

Article en En | MEDLINE | ID: mdl-33289162

Asunto(s)

Aprendizaje Automático; Redes Neurales de la Computación; Proteínas/química; Ligandos; Modelos Moleculares; Conformación Proteica; Proteínas/ultraestructura; Rotación

Palabras clave

equivariant neural network; physics-aware machine learning; protein docking; representation learning

Texto completo

Imprimir

XML

PubMed Links

Buscar en Google

Texto completo: 1 Colección: 01-internacional Banco de datos: MEDLINE Asunto principal: Proteínas / Redes Neurales de la Computación / Aprendizaje Automático Tipo de estudio: Prognostic_studies Idioma: En Revista: Proteins Asunto de la revista: BIOQUIMICA Año: 2021 Tipo del documento: Article País de afiliación: Estados Unidos

Texto completo

Imprimir

XML

PubMed Links

Buscar en Google