回流:一种通用流程匹配方法,用于生物分子回映图

科学领域:

• 生物分子建模模型
• 计算生物物理学的计算生物物理学
• 结构生物学 结构生物学

背景情况:

• 粗粒度 (CG) 模型加速了缓慢动态的分子模拟,例如蛋白质折叠.
• 从CG轨迹中恢复全原子 (AA) 细节对于机械学见解至关重要,但仍然具有挑战性.
• 现有的CG到AA重建方法往往缺乏准确性和效率.

研究的目的:

• 介绍FlowBack,这是一个深度生成模型,用于准确高效的CG到AA结构重建.
• 为FlowBack开发一个灵活的预先分布,独立于CG映射和分子类型.
• 评估FlowBack对蛋白质和DNA-蛋白质复杂系统的性能.

主要方法:

• 在深度生成模型 (FlowBack) 中使用了流程匹配目标.
• 为生成模型构建了一个分子类型不可知先前分布.
• 在蛋白质数据库 (PDB) 数据上训练了蛋白质特异性和DNA蛋白质特异性模型.

主要成果:

• 与现有方法相比,在蛋白质的结构指标上取得了最先进的性能.
• 证明了DNA-蛋白质复合体的优秀重建和生成能力.
• 展示了FlowBack在静态结构,AA模拟和CG动态轨迹上的有效性.

结论:

• FlowBack提供了一个准确,高效和用户友好的工具,可以从CG模拟中恢复所有原子的细节.
• 该模型表现出优越的强度和比以前的方法更少的硬体碰撞.
• FlowBack作为一个开源的Python包发布,供社区使用.