在CASP15中集成深度学习,线程对齐和多MSA策略,用于高质量的蛋白质单体和复杂结构预测
Wei Zheng1,2, Qiqige Wuyun3, Lydia Freddolino1,2
1Department of Computational Medicine and Bioinformatics, University of Michigan, Ann Arbor, Michigan, USA.
Proteins
|August 31, 2023
概括
在CASP15.15中,D-I-TASSER和DMFold-Multimer显著改善了蛋白质结构预测. 将传统模拟与深度学习相结合,提高了单体精度,而DMFold-Multimer在复杂结构预测方面表现出色.
科学领域:
- 计算生物学 计算生物学
- 结构生物学 结构生物学
- 生物信息学是一种生物信息学.
背景情况:
- 预测蛋白质结构对于理解生物功能至关重要.
- CASP15 (蛋白质结构预测的批判性评估) 是评估预测方法的关键基准.
- 对单个蛋白质结构 (单体) 和蛋白质复合物的准确预测是必不可少的.
研究的目的:
- 在CASP15中使用D-I-TASSER和DMFold-Multimer报告UM-TBM和集团的性能.
- 评估蛋白质单体和复杂结构预测的新特性和算法.
- 将基于深度学习的方法与结合深度学习和传统模拟的混合方法进行比较.
主要方法:
- D-I-TASSER包含了新的功能,包括先进的多重序列对齐 (MSA) 生成,注意力网络空间限制,多域模块和优化的折叠模拟系统.
- DMFold-Multimer集成的DeepMSA2用于与AlphaFold2-Multimer建模模块一起生成MSA.
- 这两种方法都在CASP15自由建模目标 (单体) 和复杂目标上进行了评估.
主要成果:
- 在免费建模目标中,D-I-TASSER的TM平均得分比AlphaFold2高19%.
- 对于复杂的目标,DMFold-Multimer实现了0.83的平均TM得分和0.60的界面接触得分,优于其他工具.
- 该研究强调了MSA生成,排名和配对对复杂预测的重要性.
结论:
- 传统的蒙特卡洛折叠模拟,当与深度学习集成时,可以比单独的端到端深度学习产生更准确的蛋白质模型.
- DMFold-Multimer在蛋白质复杂结构预测方面取得了重大进展.
- 对于病毒蛋白模型和复杂模型排名,需要在未来进行改进.
