用于筛选蛋白质复合物结构模型的层次化旋转等变神经网络
生物大分子
2021-01-26 v2 计算机视觉与模式识别
机器学习
机器学习
摘要
预测多蛋白复合物结构是生物化学中的重大挑战，对基础科学和药物发现具有重要意义。计算结构预测方法通常利用预定义的结构特征来区分准确与不准确的构模型。这引发了一个问题：是否可以在无任何先验假设的情况下，直接从蛋白质复合物的原子坐标中学习准确模型的特征。在此我们引入一种机器学习方法，直接从所有原子的 3D 位置学习以识别蛋白质复合物的准确模型，而不使用任何预计算的物理启发或统计项。我们的神经网络架构结合了多种要素，共同实现对包含数万原子分子结构的端到端学习：基于点的原子表示、关于旋转和平移的等变性、局部卷积以及层次化下采样操作。当与先前开发的打分函数结合使用时，我们的网络在大量可能模型中显著改善了准确结构模型的识别。我们的网络也可用于以绝对方式预测给定结构模型的准确度。我们提出的架构易于应用于涉及大原子系统 3D 结构学习的其他任务。
引用
@article{arxiv.2006.09275,
title = {Hierarchical, rotation-equivariant neural networks to select structural models of protein complexes},
author = {Stephan Eismann and Raphael J. L. Townshend and Nathaniel Thomas and Milind Jagota and Bowen Jing and Ron O. Dror},
journal= {arXiv preprint arXiv:2006.09275},
year = {2021}
}
备注
11 pages, 5 figures + SI: Updated based on the published version in PROTEINS. Presented at NeurIPS 2019 workshop Learning Meaningful Representations of Life