无监督提示AlphaFold2以实现精确折叠景观与蛋白质结构预测的少样本学习
机器学习
2023-11-14 v2 人工智能
生物物理
摘要
能够高效、准确地将蛋白质序列转化为生物活性结构的数据驱动预测方法，对科学研究与医学发展极具价值。利用协同进化信息确定精确折叠景观是现代蛋白质结构预测方法成功的基础。作为当前最优方法，AlphaFold2在不进行显式协同进化分析的情况下大幅提升了精度。然而，其性能仍强烈依赖于可用的序列同源物。基于对这种依赖性成因的探究，我们提出EvoGen——一种元生成模型，以弥补AlphaFold2在贫MSA目标上的欠佳表现。通过以校准或虚拟生成的同源序列提示该模型，EvoGen助AlphaFold2在低数据情形下准确折叠，甚至仅凭单序列预测即取得令人鼓舞的性能。能够以少样本MSA作出准确预测，不仅使AlphaFold2对孤儿序列的泛化更佳，也使其在高通量应用中的使用得以普及。此外，EvoGen结合AlphaFold2产生了一种概率性结构生成方法，可探索蛋白质序列的替代构象，且任务感知的可微序列生成算法将惠及包括蛋白质设计在内的其他相关任务。
引用
@article{arxiv.2208.09652,
title = {Unsupervisedly Prompting AlphaFold2 for Few-Shot Learning of Accurate Folding Landscape and Protein Structure Prediction},
author = {Jun Zhang and Sirui Liu and Mengyun Chen and Haotian Chu and Min Wang and Zidong Wang and Jialiang Yu and Ningxi Ni and Fan Yu and Diqing Chen and Yi Isaac Yang and Boxin Xue and Lijiang Yang and Yuan Liu and Yi Qin Gao},
journal= {arXiv preprint arXiv:2208.09652},
year = {2023}
}
备注
version 2.0; 28 pages, 6 figures