mGPfusion：利用高斯过程核学习与数据融合预测蛋白质稳定性变化
机器学习
2018-03-26 v2 生物大分子
定量方法
摘要
蛋白质常被生化工业用于众多工艺中。通过突变改良这些蛋白质的性质也会引起稳定性效应。准确的计算方法以预测突变如何影响蛋白质稳定性，对于促进高效的蛋白质设计是必要的。然而，预测模型的精度最终受限于实验数据的有限可得性。我们开发了 mGPfusion，一种新颖的高斯过程（GP）方法，用于预测蛋白质在单点及多点突变下的稳定性变化。该方法以大量分子模拟数据补充有限的实验数据。我们引入了一个贝叶斯数据融合模型，其对实验与计算机模拟数据源进行重新校准，然后从合并数据中学习一个预测性 GP 模型。我们的蛋白质特异性模型仅需关于目标蛋白质的实验数据，即便实验测量很少也表现良好。mGPfusion 通过接触图对蛋白质建模，并利用图核的混合推断由突变引起的稳定性效应。我们的结果表明，在包含 15 种不同蛋白质的数据集上，mGPfusion 在预测蛋白质稳定性方面优于最先进的方法，且引入分子模拟数据改善了模型学习与预测精度。
引用
@article{arxiv.1802.02852,
title = {mGPfusion: Predicting protein stability changes with Gaussian process kernel learning and data fusion},
author = {Emmi Jokinen and Markus Heinonen and Harri Lähdesmäki},
journal= {arXiv preprint arXiv:1802.02852},
year = {2018}
}