LAST：蛋白质轨迹的潜空间辅助自适应采样
摘要：蛋白质构象和动力学的研究广泛使用分子动力学（MD）模拟。然而，传统模拟容易被困在难以逃脱的局部能量极小值中。因此，大部分计算时间都花在已经访问过的区域中采样。这导致了采样过程低效，进一步阻碍了在可负担的模拟时间内探索蛋白质的运动。深度学习的进步为蛋白质采样提供了新的机会。变分自动编码器是一类深度学习模型，可学习一个低维表示（称为潜在空间），可以捕捉输入数据的关键特征。基于这个特性，我们提出了一种新的自适应采样方法，即潜在空间辅助自适应采样蛋白质轨迹（LAST），以加速蛋白质构象空间的探索。这种方法包括以下循环：（i）变分自动编码器训练，（ii）在潜在空间中选择种子结构，以及（iii）通过额外的MD模拟进行构型采样。通过对两个蛋白质系统（E. Coli腺苷激酶（ADK）的两个亚稳态和Vivid（VVD）的两个原生态）的四种结构进行采样，验证了所提出的方法。在所有四种构型中，种子结构都显示为处于构象分布的边界上。此外，与传统MD（cMD）模拟相比，在较短的模拟时间内观察到了较大的构象变化。在ADK亚稳态模拟中，LAST探索了两个向两个稳态的转变路径，而cMD则被困在一个能量盆地中。在VVD亮态模拟中，LAST比cMD模拟快三倍，且具有类似的构象空间。
作者：Hao Tian, Xi Jiang, Sian Xiao, Hunter La Force, Eric C. Larson, Peng Tao
论文ID：2204.13040
分类：Quantitative Methods
分类简称：q-bio.QM
提交时间：2022-04-28