结合拓扑与静电特征的 DNN 生物物理模型
机器学习
2026-03-16 v3 数学物理
math.MP
摘要
在本项目中，我们提出了一个基于深度神经网络（DNN）的生物物理模型，该模型使用多尺度且统一维度的拓扑与静电特征来预测蛋白质性质，如库仑能或溶剂化能。拓扑特征是通过对选定的重原子或碳原子使用元素特定持久同调（ESPH）生成的。静电特征是使用一种新型笛卡尔树码生成的，该树码加入了底层的静电相互作用以进一步改进模型预测。这些特征的数量对于不同大小的蛋白质是统一的；因此，可以使用广泛可用的蛋白质结构数据库来训练网络。这些特征也是多尺度的，允许用户在分辨率和计算成本之间进行平衡。在超过 17,000 个蛋白质上训练的用于预测库仑能的最优模型实现了约 0.024 的 MSE，0.073 的 MAPE 和 0.976 的 。同时，在超过 4,000 个蛋白质上训练的用于预测溶剂化能的最优模型实现了约 0.064 的 MSE，0.081 的 MAPE 和 0.926 的 ，表明这些特征在表示蛋白质结构和力场方面的有效性与保真度。特征生成算法也有潜力作为通用工具，辅助基于机器学习的蛋白质性质与功能预测。
引用
@article{arxiv.2409.03658,
title = {A DNN Biophysics Model with Topological and Electrostatic Features},
author = {Elyssa Sliheet and Md Abu Talha and Weihua Geng},
journal= {arXiv preprint arXiv:2409.03658},
year = {2026}
}