MoCHI:神经网络以适应可解释的模型,并从深度突变扫描数据中量化能量,能量合,表观和
Andre J Faure1,2, Ben Lehner3,4,5,6
1Centre for Genomic Regulation (CRG), The Barcelona Institute of Science and Technology, Barcelona, Spain. andre.faure@crg.eu.
Genome biology
|December 1, 2024
概括
MoCHI是一个新的Python工具,它分析深度突变扫描数据以推断生物物理相互作用模型. 它估计了自由能量变化和表观性,使得大规模的蛋白质映射成为可能.
科学领域:
- 生物物理学的生物物理.
- 计算生物学 计算生物学
- 机器学习 机器学习
背景情况:
- 深度突变扫描 (DMS) 可以生成大规模的基因型-表型数据.
- 了解蛋白质生物物理学需要对分子相互作用进行准确的建模.
- 现有的工具可能缺乏灵活性,无法适应各种生物物理模型和非线性效应.
研究的目的:
- 介绍一个用于分析DMS数据的计算工具MoCHI.
- 为了能够推断可解释的生物物理模型,包括自由能量变化和表现.
- 为了促进大规模的生物物理测量和蛋白质映射.
主要方法:
- 莫奇利用深度学习 (PyTorch) 将特定的生物物理模型与DMS数据相匹配.
- 它推断出自由能量变化和能量合 (相互作用项).
- 该工具估计了非线性效应 (epistasis),并利用集体方法进行稀疏模型学习.
主要成果:
- MoCHI成功地从DMS数据中推断出可解释的模型.
- 它量化了特定模型的自由能量变化和相互作用条件.
- 该工具可以估计全球非线性 (epistasis) 并结合更高层次的术语.
结论:
- MoCHI提供了一个可扩展的框架,用于使用DMS数据进行生物物理测量.
- 它可以构建蛋白质的详细全图.
- 该工具提高了复杂的分子相互作用数据的解释性.
