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構造を介して理解および制御できます。
X線結晶構造や極低温電子顕微鏡などのタンパク質構造決定の実験方法は、生物学的プロセスに光を当てますが、挑戦的な逆問題をもたらします。
学習ベースのアプローチは、3D構造決定のためにこれらの逆問題を解決するための正確で効率的な方法として浮上していますが、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、Cryo-EM密度マップなどの生物物理学的測定を3D原子モデルに変えるための多用途のフレームワークを導入します。
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を提供する前提条件の生成モデルを組み合わせています。
私たちの方法は、線形および非線形の逆問題の後部サンプリングベースラインよりも優れています。
特に、これは、クライオエムマップから原子モデルを精製し、スパース距離マトリックスから原子モデルを構築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 biophysical measurements, such as cryo-EM density maps, 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 linear and non-linear inverse problems. In particular, it is the first diffusion-based method for refining atomic models from cryo-EM maps and building atomic models from sparse distance matrices.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google