EigenFold: Generative Protein Structure Prediction with Diffusion Models

要約

タイトル：EigenFold：拡散モデルを用いた生成的なタンパク質構造予測

要約：

– 単一構造におけるタンパク質構造予測の精度は革命的なレベルに達しましたが、生物学的機能の基盤となる構造のアンサンブルと柔軟性を捉えるために、分布モデリングのパラダイムが必要とされます。
– この目標に向けて、私たちはEigenFoldという、特定のタンパク質配列から構造の分布をサンプリングする拡散生成モデルフレームワークを開発しました。
– 私たちは、構造を調和振動子系としてモデル化する拡散プロセスを定義し、自然にシステムの固有モードに沿ったリゾリューション生成プロセスを誘発します。
– 最近のCAMEOターゲットにおいて、EigenFoldは既存の方法に比べてサンプリングされた構造のアンサンブルによってより包括的なモデルの不確実性の絵を提供しながら、中央値TMScore 0.84を達成しています。
– 次に、EigenFoldがフォールド切り替えタンパク質やリガンド誘起構造変化の形態的異質性をモデル化し予測する能力を評価します。
– コードはhttps://github.com/bjing2016/EigenFoldで利用可能です。

要約(オリジナル)

Protein structure prediction has reached revolutionary levels of accuracy on single structures, yet distributional modeling paradigms are needed to capture the conformational ensembles and flexibility that underlie biological function. Towards this goal, we develop EigenFold, a diffusion generative modeling framework for sampling a distribution of structures from a given protein sequence. We define a diffusion process that models the structure as a system of harmonic oscillators and which naturally induces a cascading-resolution generative process along the eigenmodes of the system. On recent CAMEO targets, EigenFold achieves a median TMScore of 0.84, while providing a more comprehensive picture of model uncertainty via the ensemble of sampled structures relative to existing methods. We then assess EigenFold’s ability to model and predict conformational heterogeneity for fold-switching proteins and ligand-induced conformational change. Code is available at https://github.com/bjing2016/EigenFold.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI