学习内坐标之间的相关性以改进蛋白质的三维笛卡尔坐标
摘要：一种用于生物分子的内坐标（键长、价角和二面角）的通用表示问题及其转换为三维笛卡尔坐标的问题被考虑。我们展示了内部到笛卡尔的过程依赖于正确预测内部坐标之间的微妙化学相关性，并且学习这些相关性可以提高笛卡尔表示的准确度。这个通用问题已经用于蛋白质中用机器学习解决，但通过适当构建的数据也可扩展到包括RNA、DNA和脂质在内的任何类型的链状生物分子。我们展示了内部到笛卡尔的过程依赖于正确预测内部坐标之间的微妙化学相关性，并且学习这些相关性可以提高笛卡尔表示的准确度。我们开发了一种机器学习算法Int2Cart，用于从蛋白质的骨架扭转角和残基类型预测键长和键角，并且可以比使用固定的键长和键角，或者依赖于单个残基的骨架扭转角和残基类型的静态库方法更好地重构蛋白质结构。Int2Cart算法已经实现为一个独立的Python包，网址为https://github.com/THGLab/int2cart。
作者：Jie Li, Oufan Zhang, Seokyoung Lee, Ashley Namini, Zi Hao Liu, Jo~ao Miguel Correia Teixeira, Julie D Forman-Kay, Teresa Head-Gordon
论文ID：2205.04676
分类：Biological Physics
分类简称：physics.bio-ph
提交时间：2022-05-13