Growing ecosystem of deep learning methods for modeling protein$\unicode{x2013}$protein interactions

要約

多くの細胞機能は、protein$\unicode{x2013}$protein 相互作用に依存しています。
しかし、プロテオーム内で使用される分子認識機構の多様性により、それらを包括的に特徴づける取り組みは依然として課題となっています。
ディープラーニングは、実験データとタンパク質相互作用に関する基本的な生物物理学的知識の両方を活用することで、この問題に取り組むための有望なアプローチとして浮上しています。
ここでは、タンパク質相互作用をモデル化するための深層学習手法の成長するエコシステムをレビューし、生物物理学に基づいたこれらのモデルの多様性とそれぞれのトレードオフに焦点を当てます。
タンパク質相互作用と相互作用部位の予測に関連する複雑な特徴を捕捉するための表現学習の使用、タンパク質構造を推論して複雑な構造を予測するための幾何学的深層学習、およびデノボタンパク質アセンブリを設計するための生成モデリングにおける最近の成功について説明します。
また、いくつかの未解決の課題と有望な新しい方向性についても概説します。
新しい相互作用を発見し、その物理的メカニズムを解明し、深層学習を使用してその機能を調節するバインダーを設計し、最終的にはタンパク質の相互作用がどのように複雑な細胞の挙動を調整するかを解明する機会が豊富にあります。

要約(オリジナル)

Numerous cellular functions rely on protein$\unicode{x2013}$protein interactions. Efforts to comprehensively characterize them remain challenged however by the diversity of molecular recognition mechanisms employed within the proteome. Deep learning has emerged as a promising approach for tackling this problem by exploiting both experimental data and basic biophysical knowledge about protein interactions. Here, we review the growing ecosystem of deep learning methods for modeling protein interactions, highlighting the diversity of these biophysically-informed models and their respective trade-offs. We discuss recent successes in using representation learning to capture complex features pertinent to predicting protein interactions and interaction sites, geometric deep learning to reason over protein structures and predict complex structures, and generative modeling to design de novo protein assemblies. We also outline some of the outstanding challenges and promising new directions. Opportunities abound to discover novel interactions, elucidate their physical mechanisms, and engineer binders to modulate their functions using deep learning and, ultimately, unravel how protein interactions orchestrate complex cellular behaviors.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google