Solving Inverse Problems in Protein Space Using Diffusion-Based Priors

要約

タンパク質とその環境との相互作用は、その 3D 構造を通じて理解および制御できます。
X 線結晶構造解析や極低温電子顕微鏡など、タンパク質の構造を決定するための実験方法は、生物学的プロセスに光を当てますが、困難な逆問題を引き起こします。
学習ベースのアプローチは、3D 構造決定のためのこれらの逆問題を解決するための正確かつ効率的な方法として登場しましたが、事前定義されたタイプの測定に特化しています。
ここでは、さまざまな種類の生の生物物理学的測定値を 3D 原子モデルに変換するための汎用フレームワークを紹介します。
私たちの方法は、測定プロセスの物理ベースのフォワード モデルと、タスクに依存しないデータ駆動型の事前トレーニングを提供する事前トレーニングされた生成モデルを組み合わせます。
私たちの方法は、線形逆問題と非線形逆問題の両方で事後サンプリング ベースラインよりも優れた性能を発揮します。
特に、これは、クライオ EM 密度マップから原子モデルを精製するための最初の拡散ベースの方法です。

要約(オリジナル)

The interaction of a protein with its environment can be understood and controlled via its 3D structure. Experimental methods for protein structure determination, such as X-ray crystallography or cryogenic electron microscopy, shed light on biological processes but introduce challenging inverse problems. Learning-based approaches have emerged as accurate and efficient methods to solve these inverse problems for 3D structure determination, but are specialized for a predefined type of measurement. Here, we introduce a versatile framework to turn raw biophysical measurements of varying types into 3D atomic models. Our method combines a physics-based forward model of the measurement process with a pretrained generative model providing a task-agnostic, data-driven prior. Our method outperforms posterior sampling baselines on both linear and non-linear inverse problems. In particular, it is the first diffusion-based method for refining atomic models from cryo-EM density maps.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google