液化蛋白质振动、分类及基于深度神经网络的跨范式从头图像生成

在近期工作中，我们报道了超过100,000个已知蛋白质结构的振动谱，以及一种在可听频率范围内渲染该谱的自洽超声化方法（Extreme Mechanics Letters, 2019）。在此，我们提出一种方法，利用声学致动器将这些分子振动转化为薄水膜的物化振动，产生复杂的表面波图案，并将所得宏观图像用于基于深度卷积神经网络的后续处理。具体而言，每个蛋白质结构的水表面波图案被用于构建神经网络的训练集，旨在对图案进行分类和进一步处理。一旦训练完成，该神经网络模型仅通过分析水膜中的宏观表面波图案即可辨别不同蛋白质。该方法不仅能区分不同类型的蛋白质（例如α-螺旋 vs α-螺旋与β-折叠杂合体），还能确定同一蛋白质的不同折叠状态，或蛋白质与配体的结合事件。利用DeepDream算法，可使深度神经网络关键特征的实例在一系列图像中显现，从而让我们探究蛋白质表面波图案神经网络的内部机制，并通过在一系列摄影输入中查找并突出蛋白质分子谱特征来生成新图像。将聚焦于水的驻波实现（cymatics）与神经网络尤其是生成方法相整合，为实现物质音乐化的“ inceptionism（ inceptionism，深层梦境式生成）”作为纳米启发艺术的一种可能方向提供了新途径。该方法可应用于检测不同蛋白质结构、突变效应，或用于医学成像与诊断，在纳米到宏观的跨越中具有广泛影响。