H-Packer: Holographic Rotationally Equivariant Convolutional Neural Network for Protein Side-Chain Packing

要約

タンパク質の 3D 構造を正確にモデリングすることは、機能性タンパク質の設計に不可欠です。
構造モデリングの重要なサブタスクはタンパク質の側鎖パッキングです。つまり、タンパク質の主鎖構造とアミノ酸配列を考慮して側鎖 (回転異性体) の立体構造を予測します。
この課題に対する従来のアプローチは、手作りのエネルギー関数と回転異性体ライブラリーを用いた高価なサンプリング手順に依存しています。
最近、データ駆動型の方法で問題に取り組むためのいくつかの深層学習手法が開発されましたが、その定式化は大きく異なります (画像間の変換から原子座標の直接予測まで)。
ここでは、側鎖の真の自由度、つまり二面角 $\chi$ 角に関する同時回帰として問題を組み立てます。
私たちは、タスクの根底にある対称性を考慮しながら、このタスクで考えられる目的関数を注意深く研究します。
我々は、2 つの軽量の回転等変ニューラル ネットワーク上に構築された側鎖パッキングのための新しい 2 段階アルゴリズムであるホログラフィック パッカー (H-Packer) を提案します。
CASP13 および CASP14 ターゲットでメソッドを評価します。
H-Packer は計算効率が高く、従来の物理ベースのアルゴリズムに対して良好なパフォーマンスを示し、代替の深層学習ソリューションに対しても競争力があります。

要約(オリジナル)

Accurately modeling protein 3D structure is essential for the design of functional proteins. An important sub-task of structure modeling is protein side-chain packing: predicting the conformation of side-chains (rotamers) given the protein’s backbone structure and amino-acid sequence. Conventional approaches for this task rely on expensive sampling procedures over hand-crafted energy functions and rotamer libraries. Recently, several deep learning methods have been developed to tackle the problem in a data-driven way, albeit with vastly different formulations (from image-to-image translation to directly predicting atomic coordinates). Here, we frame the problem as a joint regression over the side-chains’ true degrees of freedom: the dihedral $\chi$ angles. We carefully study possible objective functions for this task, while accounting for the underlying symmetries of the task. We propose Holographic Packer (H-Packer), a novel two-stage algorithm for side-chain packing built on top of two light-weight rotationally equivariant neural networks. We evaluate our method on CASP13 and CASP14 targets. H-Packer is computationally efficient and shows favorable performance against conventional physics-based algorithms and is competitive against alternative deep learning solutions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google