DeepSymmetry:利用三维卷积网络识别蛋白质结构中的串联重复与内部对称性
定量方法
2018-10-30 v1 机器学习
生物物理
摘要
动机:得益于结构生物学的最新进展,如今各类蛋白质的三维结构已可常规解析。其中很大一部分含有结构重复或内部对称性。为理解这些蛋白质的演化机制以及结构重复如何影响蛋白质功能,我们需要能够非常稳健地检测此类蛋白质。由于深度学习特别适合处理空间组织数据,我们将其应用于含结构重复蛋白质的检测。结果:我们提出 DeepSymmetry,一种基于三维(3D)卷积网络的多功能方法,可检测蛋白质及其密度图中的结构重复。我们的方法旨在识别串联重复蛋白、具有内部对称性的蛋白质、原始密度图中的对称性、其对称阶数以及相应的对称轴。对称轴的检测基于学习三维向量的六维 Veronese 映射,轴确定的中位角度误差小于一度。我们在含串联重复蛋白及对称组装体的基准上展示了方法的能力。例如,我们发现了超过 10,000 个当前未收录于 RepeatsDB 数据库的推定串联重复蛋白。可用性:该方法可在 https://team.inria.fr/nano-d/software/deepsymmetry 获取。其包含一个将分子结构转换为体密度图的 C++ 可执行程序,以及基于 TensorFlow 框架的 Python 代码,用于将 DeepSymmetry 模型应用于这些密度图。
引用
@article{arxiv.1810.12026,
title = {DeepSymmetry : Using 3D convolutional networks for identification of tandem repeats and internal symmetries in protein structures},
author = {Guillaume Pagès and Sergei Grudinin},
journal= {arXiv preprint arXiv:1810.12026},
year = {2018}
}