タンパク質構造モデリングのための深層バッチ能動学習

科学分野:

• 構造生物学およびバイオインフォマティクス
• 計算上の創薬および開発
• 分子モデリングにおける機械学習の応用

背景:

• 正確な分子構造予測は、製薬研究およびタンパク質機能の理解にとって重要です。
• 現在の深層学習モデルは高度ですが、VHH抗体のような表現が不足している分子の構造予測には限界があります。
• 実験的な構造決定は時間と費用がかかるため、モデルトレーニングのための大規模なデータ収集は非現実的です。

研究 の 目的:

• 反復ファインチューニングを通じて分子構造予測モデルのパフォーマンスを向上させるための戦略的データ選択方法であるDEWDROPを開発すること。
• 既存のトレーニングデータセットにおける表現が不足している分子ドメインの課題に対処するために、新しい実験データのキュレーションを最適化すること。
• 選択された構造の情報量を最大化することにより、少ない反復回数とコストで優れたモデルパフォーマンスを可能にすること。

主な方法:

• 予測アンサンブルを生成して最適なデータ選択を行うためのモンテカルロドロップアウトを利用した能動学習選択方法であるDEWDROPを提案しました。
• 複数の配列アラインメントに依存しない、粗視分子表現に基づいた構造化予測モデルであるEquifoldを採用しました。
• VHH抗体（SAbDab-nano）およびレプラ菌タンパク質（AlphaFold Protein Database）で後方反復ファインチューニング実験とバッチ選択分析を実施しました。

主要な成果:

• DEWDROPは、最適化されたバッチ選択を通じてモデルトレーニングの効率を大幅に向上させ、反復ファインチューニングにおいてベースライン法を上回りました。
• この方法は、構造的に情報量の多いデータを特定して選択することに成功し、予測精度の向上に不可欠でした。
• VHH抗体以外のさまざまな分子ドメインにわたるDEWDROPの効果とより広範な適用可能性を実証しました。

結論:

• DEWDROPは、構造生物学、特に表現が不足している分子ファミリーにとって有益な、構造選択のためのモデルに依存しないアプローチを提供します。
• この能動学習戦略は、分子構造予測のための深層学習モデルを改善する効率と費用対効果を高めます。
• この方法は、新たに取得された実験的構造データの価値を最大化することにより、優れたモデルパフォーマンスを促進します。