学习蛋白质折叠模拟的几何解耦表示
机器学习
2022-05-24 v1 生物大分子
摘要
药物靶标蛋白的大规模分子模拟已被用作理解疾病机制与开发疗法的工具。本工作聚焦于在从计算昂贵的分子模拟获得的药物靶标蛋白（例如 SARS-CoV-2 Spike 蛋白）结构系综上学习生成式神经网络。模型任务涉及刻画该蛋白结合不同药物分子时的 distinct 结构涨落，以及高效生成可用作分子模拟引擎补充的蛋白构象。具体而言，我们提出一个几何自编码器框架，以学习蛋白结构内在与外在几何的分离潜空间编码。为此，所提出的 Protein Geometric AutoEncoder（ProGAE）模型在蛋白接触图与蛋白骨架键取向之上训练。利用 ProGAE 潜嵌入，我们在实验分辨率或近实验分辨率下重建并生成蛋白的构象系综，同时从所学潜空间获得更好的蛋白结构生成可解释性与可控性。此外，ProGAE 模型可迁移至同一蛋白的不同状态或不同尺寸的新蛋白，此时仅需重新训练从潜表示解码的稠密层。结果表明，我们基于几何学习的方法在生成复杂结构变异时兼具准确性与效率，为分析与增强高成本药物靶标蛋白模拟的可扩展改进方法指明了路径。
引用
@article{arxiv.2205.10423,
title = {Learning Geometrically Disentangled Representations of Protein Folding Simulations},
author = {N. Joseph Tatro and Payel Das and Pin-Yu Chen and Vijil Chenthamarakshan and Rongjie Lai},
journal= {arXiv preprint arXiv:2205.10423},
year = {2022}
}
备注
13 pages, appeared at SimDL ICLR Workshop 2021