基于模型的蛋白质脊柱设计强化学习
人工智能
2024-05-06 v1 生物大分子
摘要
设计具有预定义形状和特征的蛋白质纳米材料有望在医学领域产生重大影响。机器学习（ML）在蛋白质设计中已证明成功，减少了昂贵的实验室实验次数。然而，在高效探索蛋白质适应性景观以识别最优蛋白质设计方面仍存在挑战。为此，我们提出使用 AlphaZero 生成满足形状和结构评分要求的蛋白质脊柱。我们在现有蒙特卡洛树搜索（MCTS）框架中引入新颖的基于阈值的奖励和次要目标，以提高设计精度。该创新显著优于现有方法，产生更符合结构评分要求的蛋白质脊柱。AlphaZero 在蛋白质脊柱设计中的应用是首次性的，显示出有前景的性能。AlphaZero 在顶层蛋白质设计任务中始终超过基线 MCTS 100%。此外，我们将 AlphaZero 与次要目标结合应用，揭示了进一步的有前景的结果，表明基于模型的强化学习（RL）在导航蛋白质设计中所涉及的复杂细微方面具有潜力。
引用
@article{arxiv.2405.01983,
title = {Model-based reinforcement learning for protein backbone design},
author = {Frederic Renard and Cyprien Courtot and Alfredo Reichlin and Oliver Bent},
journal= {arXiv preprint arXiv:2405.01983},
year = {2024}
}