基于有意义阈值随机几何图识别蛋白质关键残基
生物大分子
2025-06-13 v1 机器学习
机器学习
摘要
识别蛋白质的关键残基是积极追求的研究方向，因为这些残基对蛋白质功能至关重要。我们提出了三种识别示例蛋白质关键残基的方法，该蛋白质的演化通过分子动力学模拟进行追踪。我们的方法基于学习一个随机几何图（RGG）变量，其中156个残基的状态变量附加到该图的节点上，RGG通过每个残基对之间状态变量的相关矩阵来学习。鉴于状态变量的类别性质，使用Cramer's V计算残基对之间的相关性。我们提出了一种有机阈值方法来学习RGG，并与现有的阈值技术进行了比较，将关键性参数化为学习到的RGG中的节点度。其次，我们通过计算定义在所有156个残基上的完整图变量的后验概率与省略一个残基后的图变量后验概率之间的差异排名，开发了一种关键性度量。第三种关键性参数化告知了蛋白质在模拟过程中演化时节点度的动态变化。最后，我们将三种不同关键性参数得到的结果与实验确定的关键残基进行了比较。
引用
@article{arxiv.2506.10015,
title = {Identifying critical residues of a protein using meaningfully-thresholded Random Geometric Graphs},
author = {Chuqiao Zhang and Sarath Chandra Dantu and Debarghya Mitra and Dalia Chakrabarty},
journal= {arXiv preprint arXiv:2506.10015},
year = {2025}
}
备注
submitted to Journal of Computational and Graphical Statistics