Geometria Hiperbólica Aplicada à Clusterização de Proteínas
Abstract
Proteínas realizam suas funções ao se ligarem a outras moléculas como carboidratos, lipídios, outras proteínas, etc. A interação ou não de uma proteína com outra molécula é principalmente determinada pela estrutura 3D da proteína, o que motiva a classificação e mapeamento do espaço universo de proteínas de acordo com suas similaridades. [...]
Downloads
References
Irina Kufareva e Ruben Abagyan. “Methods of Protein Structure Comparison”. Em: Homology Modeling: Methods and Protocols. Ed. por Andrew J. W. Orry e Ruben Abagyan. Totowa, NJ: Humana Press, 2012, pp. 231–257. isbn: 978-1-61779-588-6. doi: 10.1007/978-1-61779-588-6_10. url: https://doi.org/10.1007/978-1-61779-588-6_10.
Maximilian Nickel e Douwe Kiela. “Learning Continuous Hierarchies in the Lorentz Model of Hyperbolic Geometry”. Em: International Conference on Machine Learning. 2018.
Jingtong Hou, Se-Ran Jun, Chao Zhang e Sung-Hou Kim. “Global mapping of the protein structure space and application in structure-based inference of protein function”. Em: Proceedings of the National Academy of Sciences 102.10 (2005), pp. 3651–3656. doi: 10.1073/pnas.0409772102. eprint: https://www.pnas.org/doi/pdf/10.1073/pnas.0409772102. url: https://www.pnas.org/doi/abs/10.1073/pnas.0409772102.
Frederic Sala, Chris De Sa, Albert Gu e Christopher Re. “Representation Tradeoffs for Hyperbolic Embeddings”. Em: Proceedings of the 35th International Conference on Machine Learning. Ed. por Jennifer Dy e Andreas Krause. Vol. 80. Proceedings of Machine Learning Research. PMLR, out. de 2018, pp. 4460–4469. url: https://proceedings.mlr.press/v80/sala18a.html.
