学习利用实验溶液数据演化非折叠和无序蛋白质的结构集合
摘要：基于反馈奖励的生成递归神经网络（GRNN）的学习可从序列中的先前残基$X_i$中学习到下一个残基扭曲度$X\_{i+1}=\n[phi\_{i+1},psi\_{i+1},omega \_{i+1}, chi\_{i+1}]$的概率，以生成新的无序蛋白构象。此外，我们将GRNN与贝叶斯模型X-EISD耦合，通过加权扭曲概率分布来利用实验数据类型，如J耦合、NOEs和PREs。我们证明，根据结构与数据之间的一致性来更新生成模型参数，比起简单地对无序蛋白静态构象池进行重加权的现有方法，能够改进模型。相反，GRNN“DynamICE”模型能够学习将底层池中的构象物理改变为更与实验一致的构象。
作者：Oufan Zhang, Mojtaba Haghighatlari, Jie Li, Joao Miguel Correia Teixeira, Ashley Namini, Zi-Hao Liu, Julie D Forman-Kay, Teresa Head-Gordon
论文ID：2206.12667
分类：Biological Physics
分类简称：physics.bio-ph
提交时间：2023-05-17