利用平滑适应度地形改进蛋白质优化
生物大分子
2024-03-05 v3 机器学习
定量方法
机器学习
摘要
设计具有更高所需属性适应度的新型蛋白质，将对生物技术与医学带来革命性影响。对组合巨大的序列空间建模不可行；先前方法常将优化限制于较小突变半径，但这极大限制了设计空间。我们提出平滑适应度地形以促进蛋白质优化，而非使用启发式方法。首先，我们将蛋白质适应度表述为图信号，然后使用Tikunov正则化平滑适应度地形。我们发现，在平滑地形中优化可在GFP和AAV基准的多种方法上提升性能。其次，我们在平滑地形中利用离散基于能量的模型和MCMC取得了最先进结果。我们的方法称为基于图平滑的吉布斯采样（GGS），展现出以训练集2.5倍适应度提升（经计算机内评估）的独特能力。GGS展示了在有限数据条件下优化蛋白质的潜力。代码：https://github.com/kirjner/GGS
引用
@article{arxiv.2307.00494,
title = {Improving Protein Optimization with Smoothed Fitness Landscapes},
author = {Andrew Kirjner and Jason Yim and Raman Samusevich and Shahar Bracha and Tommi Jaakkola and Regina Barzilay and Ila Fiete},
journal= {arXiv preprint arXiv:2307.00494},
year = {2024}
}
备注
ICLR 2024. Code: https://github.com/kirjner/GGS