题目:Direct generation of protein conformational ensembles via machine learning
文献来源: Nature Communications | (2023) 14:774
代码:https://github.com/feiglab/idpgan
简介:动力学和构象采样是连接蛋白质结构与生物功能的关键。虽然在实验上探测具有挑战性,但计算机模拟广泛用于描述蛋白质动力学,但其巨大的计算成本继续限制了研究范围。在这里,作者证明了机器学习可以用模拟数据进行训练,以直接生成物理上真实的蛋白质构象集合,这过程不需要任何采样,计算成本可以忽略不计。作为原理证明,作者训练了一个基于Transformer架构的生成对抗网络,并对本质上的无序肽进行了粗粒度模拟。由此得到的模型idpGAN可以预测训练集中不存在的序列的序列依赖的粗粒度集合,这表明在有限的训练数据之外可以实现转移。作者还在原子模拟数据上对idpGAN进行了重新训练,以表明该方法在原则上可以扩展到更高分辨率的构象集合生成。
主要内容:
-------------------------------------------
欢迎点赞收藏转发!
下次见!