利用基于注意力的层增强三维疏水-极性蛋白质折叠模型中的强化学习
机器学习
2025-04-23 v1 人工智能
摘要
基于Transformer的架构近来推动了跨领域序列建模的进步，但其在蛋白质折叠的疏水-亲水（H-P）模型中的应用仍相对未被探索。在这项工作中，我们采用了一个集成注意力机制（Transformer）的深度Q网络（DQN）来解决三维H-P蛋白质折叠问题。我们的系统将折叠决策表述为强化环境中的自回避行走，并采用基于有利疏水相互作用的专门奖励函数。为了提高性能，该方法引入了包括对称性破缺约束在内的有效性检查、竞争与双重Q学习，以及优先回放以聚焦于关键转换的学习。在标准基准序列上的实验评估表明，我们的方法在较短序列上取得了若干已知的最佳解，并在较长链上获得了接近最优的结果。这项研究强调了基于注意力的强化学习在蛋白质折叠中的前景，并为三维晶格模型创建了一个基于Transformer的Q网络结构原型。
引用
@article{arxiv.2504.15634,
title = {Enhancing Reinforcement learning in 3-Dimensional Hydrophobic-Polar Protein Folding Model with Attention-based layers},
author = {Peizheng Liu and Hitoshi Iba},
journal= {arXiv preprint arXiv:2504.15634},
year = {2025}
}