用于发现生物大分子中亚稳态系综的深度自编码器框架
化学物理
2021-09-29 v1 生物物理
摘要
微型蛋白和肽表现出动态的构象涨落，并涉及亚稳态之间的相互互变。对微型蛋白和肽底层构象图景的稳健映射通常需要沿优化集体变量对构象系综进行低维投影。然而，集体变量（CV）的传统选择常受限于用户直觉和关于系统的先验知识，缺乏对其相对于其他候选CV最优性的严格评估。为解决此问题，我们提出了一种通用方法：首先选择给定大分子内残基间Calpha距离的可能组合作为一组输入CV；随后通过在前馈神经网络框架中对无偏MD模拟轨迹进行自编码，导出潜空间嵌入集体变量的非线性组合。我们在三个层级复杂系统中展示了所得潜空间变量阐明构象图景的能力。当沿潜空间CV解析构象动力学时，它识别出了弹簧串珠聚合物的关键亚稳态。所采用的降维技术与基于所得潜空间构建的Markov状态模型相结合，高效地投影出GB1 β-发夹的自由能图景，揭示了多个空间上分辨良好且动力学上分离清楚的亚稳态构象。基于Markov过程变分方法对自编码器导出的潜空间CV与由PCA或TICA获得的CV进行的定量比较，证实了前者的优越性。最后，作为实际应用，我们展示了自编码器导出的CV成功预测了Trp-cage微型蛋白在水溶液渗透剂中的增强折叠。
引用
@article{arxiv.2106.00724,
title = {A Deep Autoencoder Framework for Discovery of Metastable Ensembles in Biomacromolecules},
author = {Satyabrata Bandyopadhyay and Jagannath Mondal},
journal= {arXiv preprint arXiv:2106.00724},
year = {2021}
}