网络自动参数化的遗传算法 米洛イド纤维素形成的哈密尔顿模型

科学领域:

• 计算生物学是一种计算生物学.
• 生物物理学的生物物理.
• 材料科学是一种材料科学.

背景情况:

• 原子模拟面临蛋白质聚合的时间尺度限制 (微秒),阻碍了与疾病相关的纤维细胞形成的研究 (分钟/小时).
• 粗粒模拟和网络哈密尔顿模型提供了一个计算上可行的方法来研究蛋白质聚合的分子机制.
• 确定网络哈密尔顿模型的参数,将蛋白质表示为节点和键作为边缘,是一个重大的技术挑战.

研究的目的:

• 开发和演示使用网络哈密尔顿模型模拟蛋白质聚合的计算方法.
• 为了解决原子模拟和对粉样纤维素形成的实验观测之间的显著时间尺度差距.
• 为了优化网络的哈密尔顿模型来预测粉样纤维素的形成和结构.

主要方法:

• 采用遗传算法,将网络哈密尔顿模型从低纤维素分数 (>70%) 演变为高纤维素分数 (>70%).
• 应用该方法来优化现有的网络哈密尔顿模型,用于来自蛋白质数据库 (PDB) 的五个关键的粉样纤维素拓.
• 利用基于图表的表示,其中蛋白质是节点,非共价键是边缘,以定义系统能量.

主要成果:

• 人工智能生成的模型成功地从低 (<5%) 演变为高 (>70%) 纤维素分数.
• 优化模型在5个测试的粉样纤维素拓中超过了3个先前发布的纤维素分数.
• 实现了1,2-2条带拓的卓越性能,这是一个具有固体拉链的常见结构.

结论:

• 开发的基于遗传算法的方法有效地优化了蛋白质自我组装的网络哈密尔顿模型.
• 这种方法为研究神经退行性疾病中涉及的粉样蛋白形成的分子机制提供了一个强大的工具.
• 基因算法的开源版本旨在促进各种自组装系统的更广泛采用.