高准确性和高效深度学习范式在全原子蛋白质环状建模中的应用：KarmaLoop
摘要：蛋白质环建模是蛋白质结构预测中最具挑战性但非常棘手的任务。尽管最近取得了进展，但现有的方法，包括基于知识、从头开始、混合和深度学习（DL）方法在原子精度或计算效率方面都存在不足。此外，过分关注骨架原子导致对侧链构象的研究不足，而侧链构象在诸多下游应用中非常关键，包括配体对接、分子动力学模拟和药物设计。为了克服这些局限性，我们提出了KarmaLoop，这是一种新颖的方法，它是首个以全原子（包括骨架和侧链重原子）蛋白质环建模为中心的深度学习方法。我们的结果表明，与传统和基于DL的环建模方法相比，KarmaLoop在精度和效率方面都有显著的提高，不同任务中的平均RMSD改善了两倍以上，而整体上至少加快了两个数量级的速度。因此，我们的综合评估表明，KarmaLoop为蛋白质环建模提供了最先进的深度学习解决方案，有可能加速蛋白质工程、抗体-抗原识别和药物设计的进展。
作者：Tianyue Wang, Xujun Zhang, Odin Zhang, Peichen Pan, Guangyong Chen, Yu Kang, Chang-Yu Hsieh, Tingjun Hou
论文ID：2306.12754
分类：Biomolecules
分类简称：q-bio.BM
提交时间：2023-06-23