蛋白质的温度依赖结构组合的深度生成建模
Giacomo Janson1, Alexander Jussupow1, Michael Feig2
1Department of Biochemistry and Molecular Biology, Michigan State University, East Lansing, MI, USA.
像aSAM和aSAMt这样的深度学习模型现在可以通过从分子动力学模拟中学习以降低计算成本,从而产生准确的蛋白质构造组合,包括温度效应.
科学领域:
- 计算生物学是一种计算生物学.
- 结构生物学是结构生物学.
- 生物学中的人工智能
背景情况:
- 深度学习推进了蛋白质结构预测,但与结构合集作斗争.
- 分子动力学 (MD) 模拟捕捉了生物分子动力学,但在计算上是密集的.
- 在MD上训练的深度学习模型为生成结构合集提供了具有成本效益的替代方案.
研究的目的:
- 介绍aSAM (原子结构自编码模型),一种用于生成蛋白质组合的潜在扩散模型.
- 开发一个SAMt来产生温度调节的蛋白质组合.
- 评估模型捕捉温度依赖性质和概括的能力.
主要方法:
- 开发了aSAM,这是一个在MD数据上训练的隐性扩散模型,用于模拟隐性空间中的原子.
- 实施了aSAMt用于温度调节组合生成.
- 在mdCATH数据集上训练模型,并根据MD模拟和实验数据进行验证.
主要成果:
- aSAM准确地采样侧链和骨干扭矩角度分布.
- aSAMt捕捉了依赖温度的蛋白质组合特性,并将其推广到训练温度之外.
- 高温训练提高了能源景观的探索,aSAMt反映了实验热行为.
结论:
- 基于深度学习的蛋白质组合生成是一般化的,包括温度等环境条件.
- aSAMt提供了一个强大的工具来模拟温度依赖的蛋白质动态.
- 这种方法可以降低探索蛋白质构造景观的计算成本.
更多相关视频
09:17Structure-Based Simulation and Sampling of Transcription Factor Protein Movements along DNA from Atomic-Scale Stepping to Coarse-Grained Diffusion
Published on: March 1, 2022
05:56Exploring Caspase Mutations and Post-Translational Modification by Molecular Modeling Approaches
Published on: October 13, 2022
相关概念视频
Temperature Dependent Deformation
Effects of Temperature on Free Energy
Conservation of Protein Domains Over Different Proteins
A limited set of protein domains often duplicate and recombine during evolution. These domains can be organized in different combinations to...
¹H NMR of Conformationally Flexible Molecules: Variable-Temperature NMR
Protein and Protein Structure
A protein's shape is critical to its function. For example, an enzyme...
Protein and Protein Structures
