基于旋转等变分层神经网络的蛋白质模型质量评估
定量方法
2020-11-30 v1 机器学习
摘要
蛋白质是微型机器，其功能依赖于三维（3D）结构。以计算方式确定该结构仍是一项未解决的重大挑战。一个主要瓶颈涉及从大量候选结构中选出最准确的结构模型，该任务由模型质量评估解决。在此，我们提出一种新颖的深度学习方法来评估蛋白质模型的质量。我们的网络建立在原子结构的基于点表示之上，并在不同结构分辨率层级上使用旋转等变卷积。这些结合的特性使网络能够从完整蛋白质结构端到端地学习。我们的方法在针对近期 CASP（一项盲测预测社区实验）所提交蛋白质模型的评分中取得了最先进（state-of-the-art）结果。尤为引人注目的是，我们的方法未使用物理启发的能量项，也不依赖于额外信息的可用性（超出单个蛋白质模型的原子结构之外），例如多蛋白质的序列比对。
引用
@article{arxiv.2011.13557,
title = {Protein model quality assessment using rotation-equivariant, hierarchical neural networks},
author = {Stephan Eismann and Patricia Suriana and Bowen Jing and Raphael J. L. Townshend and Ron O. Dror},
journal= {arXiv preprint arXiv:2011.13557},
year = {2020}
}