将深度强化学习应用于 HP 模型进行蛋白质结构预测
机器学习
2023-03-14 v2 生物大分子
摘要
计算生物物理学中的一个核心问题是蛋白质结构预测，即寻找给定氨基酸序列的最优折叠。该问题已在一个经典的抽象模型——HP 模型中被研究，其中蛋白质被建模为晶格上由 H（疏水）和 P（极性）氨基酸组成的序列。目标是找到使 H-H 接触最大化的构象。已知即使在这种简化设定下，该问题仍是难解的（NP-hard）。在本工作中，我们将深度强化学习（DRL）应用于二维 HP 模型。我们能够为长度从 20 到 50 的基准 HP 序列获得已知最优能量的构象。我们的 DRL 基于深度 Q 网络（DQN）。我们发现，基于长短期记忆（LSTM）架构的 DQN 极大增强了 RL 的学习能力并显著改进了搜索过程。DRL 能够高效地对状态空间进行采样，而无需人工启发式方法。实验上我们表明，它每次试验都能找到多个不同的最优已知解。本研究展示了深度强化学习在蛋白质折叠 HP 模型中的有效性。
引用
@article{arxiv.2211.14939,
title = {Applying Deep Reinforcement Learning to the HP Model for Protein Structure Prediction},
author = {Kaiyuan Yang and Houjing Huang and Olafs Vandans and Adithya Murali and Fujia Tian and Roland H. C. Yap and Liang Dai},
journal= {arXiv preprint arXiv:2211.14939},
year = {2023}
}
备注
Published at Physica A: Statistical Mechanics and its Applications, available online 7 December 2022. Extended abstract accepted by the Machine Learning and the Physical Sciences workshop, NeurIPS 2022