Масштабирование атомарного дизайна белковых связывающих молекул с помощью генеративного предварит...

Присоединяйтесь к группе для чтения: https://hannes-stark.com/ Статья: Proteina-Complexa: Масштабирование атомистического проектирования связывающих белков с помощью генеративного предварительного обучения и вычислений во время тестирования https://openreview.net/forum?id=qmCpJ... Аннотация: Моделирование белковых взаимодействий является центральным элементом проектирования белков, которое было преобразовано машинным обучением с применением в разработке лекарств и за ее пределами. В этом контексте проектирование связывающих белков de novo на основе структуры рассматривается либо как условное генеративное моделирование, либо как оптимизация последовательности с помощью структурных предикторов («галлюцинации»). Мы утверждаем, что это ложная дихотомия, и предлагаем Proteina-Complexa, новый полностью атомистический метод генерации связывающих белков, объединяющий обе парадигмы. Мы расширяем недавние архитектуры генерации скрытых белков на основе потока и используем взаимодействия доменов мономерных белковых структур, предсказанных вычислительным путем, для создания Teddymer — нового крупномасштабного набора данных синтетических пар связывающий агент-мишень для предварительного обучения. В сочетании с высококачественными экспериментальными мультимерами это позволяет обучить сильную базовую модель. Затем мы выполняем оптимизацию времени вывода с использованием этого генеративного априорного распределения, объединяя сильные стороны ранее различных генеративных и галлюцинаторных методов. Proteina-Complexa устанавливает новый стандарт в вычислительных тестах проектирования связывающих агентов: он обеспечивает значительно более высокие показатели успеха in silico, чем существующие генеративные подходы, а наши новые стратегии оптимизации времени тестирования значительно превосходят предыдущие галлюцинаторные методы при нормализованных вычислительных бюджетах. Мы также демонстрируем оптимизацию водородных связей интерфейса, генерацию связывающих агентов на основе классов фолдов и расширения для задач проектирования малых молекул и ферментов, снова превосходя предыдущие методы. Код, модели и новые данные будут опубликованы.