广义溶剂化自由能的简易神经网络实现用于蛋白质结构模型评估
计算物理
2019-07-12 v1 生物物理
摘要
快速且准确地评估蛋白质结构模型对于蛋白质结构预测与设计至关重要。在这方面已取得巨大进展，特别是近期“基于知识”势能的发展。各种基于机器学习的蛋白质结构模型质量评估也相当成功。然而，传统“基于物理”势能的表现并不那么有效。基于对已导致“基于物理”势能表现不佳的计算局限性的分析，我们提出了广义溶剂化自由能（GSFE）框架。GSFE 本质上灵活适用于多尺度处理，并且适于机器学习实现。在该框架中，复杂分子系统的每个物理组成单元都有其特定的溶剂环境。GSFE 的一个显著特征是，通过机器学习可捕获所选溶剂环境中的高阶关联，这与当前主要基于成对相互作用的经验势能（包括“基于知识”和“基于物理”的）形成对比。最后，我们用神经网络实现了一个基于骨架与侧链取向的残基水平蛋白质 GSFE 的简单示例，发现其在区分天然结构与诱饵结构方面与高度复杂的最新“基于知识”原子势能相比具有竞争力。
引用
@article{arxiv.1907.04914,
title = {A simple neural network implementation of generalized solvation free energy for assessment of protein structural models},
author = {Shiyang Long and Pu Tian},
journal= {arXiv preprint arXiv:1907.04914},
year = {2019}
}