蛋白质结构的数学洞见：持久同调与机器学习在细菌鞭毛马达中的应用
生物大分子
2025-12-19 v5 机器学习
代数拓扑
摘要
我们提出了一种利用持久同调来对细菌鞭毛马达进行分类的方法，将其分为两种功能状态：旋转状态和停滞状态。通过将蛋白质结构数据嵌入拓扑框架，我们从构建于原子坐标上的过滤单纯复形中提取多尺度特征。这些拓扑不变量，具体而言是持久性图和条形码，捕捉与马达功能相关的关键几何和连通性模式。提取的特征被向量化并集成到机器学习管道中，包括降维和监督分类。应用于来自多样细菌物种的实验表征的鞭毛马达数据集时，模型在分类准确率和对结构变异的鲁棒性方面均表现出高水平。该方法凸显了拓扑数据分析在揭示传统几何描述符难以捕捉的功能相关模式中的强大能力，为蛋白质功能预测提供了一种新型计算工具。
引用
@article{arxiv.2504.16941,
title = {Mathematical Insights into Protein Architecture: Persistent Homology and Machine Learning Applied to the Flagellar Motor},
author = {Zakaria Lamine and Abdelatif Hafid and Mohamed Rahouti},
journal= {arXiv preprint arXiv:2504.16941},
year = {2025}
}