基于超快的形状识别和CASP15中的深度学习来估计蛋白质复杂模型的准确性.

科学领域:

• 计算生物学是一种计算生物学.
• 结构生物信息学 结构生物信息学
• 结构生物学中的人工智能

背景情况:

• 准确预测蛋白质复杂结构对于理解生物功能至关重要.
• 评估预测蛋白质模型的准确性是结构生物学中的一个关键挑战.
• 蛋白质结构预测技术的批判性评估 (CASP) 是评估结构预测方法的基准.

研究的目的:

• 报告和分析新型深度学习方法DeepUMQA3和GraphGPSM的性能,用于蛋白质复杂模型准确度估计.
• 在第15次蛋白质结构预测技术的批判性评估 (CASP15) 中评估这些方法.
• 引入新的深度学习方法来表征多重蛋白质复合体.

主要方法:

• 开发了DeepUMQA3和GraphGPSM,这两种基于深度学习的方法利用了三个层面的整体特征:整体复杂,单体内和单体间.
• 整合超快速形状识别 (USR) 以在总和单体间水平上表征残留物拓关系.
• 深度残余和图形神经网络的应用用于准确度估计.

主要成果:

• 在CASP15的界面残留精度估计中,DeepUMQA3获得了第一名,当地距离差异测试 (lDDT) 的皮尔森相关性为0.570,超过0.5.5.
• 在顶级方法中,DeepUMQA3表现出卓越的表现,在39个目标中,在25个目标中实现了lDDT的最高皮尔森相关性.
• 在估计整体折叠精度方面,GraphGPSM表现出强的表现,在14个目标上,TM-score Pearson相关性大于0.9.

结论:

• DeepUMQA3和GraphGPSM代表了基于深度学习的蛋白质复杂模型精度估计的重大进展.
• DeepUMQA3是一种高精度的方法,用于预测接口残留的精度,对于理解蛋白质-蛋白质相互作用至关重要.
• 开发的方法为结构生物学家提供了有价值的工具,DeepUMQA3和GraphGPSM的服务器公开提供.