利用深度学习对蛋白质水合密度与自由能的实时预测
生物大分子
2020-01-08 v1 机器学习
定量方法
摘要
生化系统热力学性质的计算通常需要使用资源密集的分子模拟方法。其中一个例子是水合位点的热力学分析，即蛋白质表面上水分子的高概率位置，其在蛋白质-配体结合中起重要作用，因此必须纳入结合构象与亲和力的预测中。为替代水合位点预测中耗时的模拟，我们开发了两类不同的深度神经网络模型以预测水合位点数据。在第一种方法中，生成网格化的三维图像，表示置于规则三维网格（涵盖结合口袋）上的特定分子探针与静态蛋白质之间的相互作用。这些分子相互作用场通过基于U-Net架构的神经网络映射到对应的水合占据三维图像。在第二种方法中，利用基于全连接层的神经网络逐点预测水合占据与热力学量。除直接的蛋白质相互作用场外，每个网格点的环境通过邻近网格点相互作用性质的球谐函数展开矩来表示。在构效关系分析与蛋白质-配体构象评分中的应用展示了所预测水合信息的效用。
引用
@article{arxiv.2001.02201,
title = {On-the-fly Prediction of Protein Hydration Densities and Free Energies using Deep Learning},
author = {Ahmadreza Ghanbarpour and Amr H. Mahmoud and Markus A. Lill},
journal= {arXiv preprint arXiv:2001.02201},
year = {2020}
}