Prestasi SOTA, pembelajaran pelbagai skala, Universiti Sun Yat-sen mencadangkan rangka kerja AI interaksi protein-ubat

Editor |. Violet

Interaksi antara protein, ubat dan biomolekul lain memainkan peranan penting dalam pelbagai proses biologi. Memahami interaksi ini adalah penting untuk menguraikan mekanisme molekul yang mendasari proses biologi dan membangunkan strategi terapeutik baharu. Protein adalah antara molekul terpenting dalam sel, dan ia melakukan pelbagai fungsi dalam sel. Dadah sering mengawal proses fisiologi dengan berinteraksi dengan protein tertentu. Interaksi ini boleh menggalakkan atau menghalang laluan isyarat molekul tertentu Kaedah pengiraan berbilang skala semasa sering bergantung terlalu banyak pada satu skala dan tidak sesuai dengan skala lain. Ini mungkin berkaitan dengan tropisme pelbagai skala yang tidak sekata dan ketamakan pembelajaran berskala yang wujud.

Untuk mengurangkan ketidakseimbangan pengoptimuman, penyelidik dari Universiti Sun Yat-sen dan Universiti Shanghai Jiao Tong mencadangkan rangka kerja pembelajaran perwakilan berskala MUSE berdasarkan pemaksimuman jangkaan berubah-ubah, yang boleh menyepadukan maklumat berbilang skala untuk pembelajaran dengan berkesan. Strategi ini menggabungkan maklumat berbilang skala secara berkesan antara struktur atom dan skala rangkaian molekul melalui penyeliaan bersama dan pengoptimuman berulang. Pendekatan ini membolehkan pemindahan maklumat dan pembelajaran yang lebih besar. Strategi ini menggabungkan maklumat berbilang skala secara berkesan antara struktur atom dan skala rangkaian molekul melalui penyeliaan bersama dan pengoptimuman berulang.

MUSE+ bukan sahaja mengatasi model terkini semasa dalam interaksi molekul (protein-protein, dadah-protein dan dadah), tetapi juga mengatasi model terkini semasa pada ramalan antara muka protein pada skala struktur atom. Lebih penting lagi, rangka kerja pembelajaran berskala boleh diperluaskan kepada penemuan ubat pengiraan pada skala lain.

Kajian yang bertajuk "

Rangka kerja pemaksimuman jangkaan variasi untuk pembelajaran seimbang berskala protein dan interaksi ubat

", diterbitkan dalam "Komunikasi Alam Semulajadi" pada 25 Mei.

Pautan kertas:

https://www.nature.com/articles/s41467-024-48801-4

Interaksi molekul biologi

adalah berkaitan dengan protein dan ciri-ciri protein Interaksi dengan biomolekul lain. Memahami interaksi ini adalah penting untuk menguraikan mekanisme molekul proses biologi dan membangunkan strategi terapeutik baharu. Walau bagaimanapun, pertumbuhan besar dalam permintaan dan kos yang berkaitan dengan interaksi eksperimen memerlukan alat pengiraan untuk meramal dan memahami interaksi antara biomolekul secara automatik. Untuk memenuhi permintaan ini dan kos yang semakin meningkat, alat pengiraan diperlukan untuk meramal dan memahami interaksi antara biomolekul secara automatik.

Meramalkan interaksi ini semata-mata daripada struktur adalah salah satu cabaran paling penting dalam biologi struktur. Kaedah pengiraan semasa kebanyakannya meramalkan interaksi berdasarkan rangkaian molekul atau maklumat struktur dan tidak mengintegrasikannya ke dalam rangka kerja berbilang skala bersatu.

Walaupun beberapa kaedah pembelajaran berbilang paparan berusaha untuk menggabungkan maklumat berbilang skala, cara intuitif untuk mempelajari perwakilan berbilang skala adalah dengan menggabungkan graf molekul dengan rangkaian interaksi dan mengoptimumkannya secara bersama. Walau bagaimanapun, disebabkan ketidakseimbangan dan kerakusan yang wujud dalam pembelajaran pelbagai skala, model ini sering bergantung pada satu skala. Ketidakupayaan untuk menggunakan maklumat yang berkaitan dengan semua skala dan generalisasi adalah lemah.

Selain itu, rangka kerja berbilang skala yang berkesan bukan sahaja perlu menangkap maklumat yang kaya dalam skala yang berbeza, tetapi juga perlu mengekalkan hubungan asas antara mereka dengan baik.

MUSE untuk mempelajari maklumat berskala protein dan ubat

Di sini, pasukan penyelidik Universiti Sun Yat-sen mencadangkan MUSE, rangka kerja pembelajaran perwakilan berskala berdasarkan pemaksimuman jangkaan berubah (Expectation Maximization), yang boleh digunakan berbilang kali Skala yang berbeza dioptimumkan dalam proses bergantian berulang. Berbanding dengan kaedah sedia ada yang banyak bergantung pada maklumat skala tunggal, MUSE menyelesaikan masalah ketidakseimbangan pengoptimuman dalam pembelajaran berbilang skala dengan berkesan melalui penyeliaan bersama dan pengoptimuman berulang.

MUSE ialah kaedah pembelajaran berskala yang menggabungkan pemodelan struktur molekul dan pembelajaran rangkaian interaksi protein-ubat melalui rangka kerja pemaksimum jangkaan variasi (EM). Rangka kerja EM mengoptimumkan dua modul, iaitu langkah jangkaan (E-step) dan langkah memaksimumkan (M-step), dalam proses bergantian berbilang lelaran.

Semasa E-step, MUSE menggunakan maklumat struktur setiap biomolekul untuk mempelajari perwakilan struktur yang berkesan untuk latihan dalam langkah-M menggunakan interaksi dan sampel tetulang yang diketahui. Ia diambil sebagai protein input dan pasangan ubat dan maklumat struktur peringkat atomnya, ditambah dengan interaksi ramalan M-step. M-step mengambil sebagai input interaksi ramalan rangkaian interaksi peringkat molekul, benam struktur, dan E-step dan menghasilkan interaksi yang diramalkan. Pengoptimuman berulang antara E-step dan M-step memastikan penangkapan interaktif struktur molekul dan maklumat rangkaian dengan kadar pembelajaran yang berbeza pada kedua-dua skala.

Penyeliaan bersama memastikan setiap model skala belajar dengan cara yang sesuai, membolehkan penggunaan maklumat yang berkesan pada skala yang berbeza. Rangka kerja ini akan ditunjukkan merentasi pelbagai skala interaksi antara protein dan ubat. Ia dianalisis bahawa MUSE mengurangkan ciri-ciri yang tidak seimbang dalam pembelajaran pelbagai skala dan secara berkesan mengintegrasikan maklumat hierarki dan pelengkap daripada skala yang berbeza.

Rajah 1: Gambar rajah skema rangka kerja MUSE dan aplikasinya. (Sumber: kertas)

Mengungguli model terkini semasa dalam tugasan berskala

Menggunakan maklumat struktur atom untuk meningkatkan ramalan pada skala rangkaian molekul

Untuk menilai pendekatan mereka, pertama, penyelidik menggunakan MUSE untuk mengintegrasikan atom Maklumat struktur untuk meningkatkan ramalan skala rangkaian molekul. MUSE mencapai prestasi tercanggih pada tiga tugas ramalan interaksi berbilang skala: interaksi protein-protein (PPI), interaksi dadah-protein (DPI) dan interaksi dadah-ubat (DDI).

Rajah 2: Prestasi MUSE dalam meramal interaksi protein dan ubat. (Sumber: Kertas)

Memperbaiki ramalan skala struktur atom daripada skala rangkaian molekul

Selain menggunakan maklumat struktur atom untuk meningkatkan ramalan skala rangkaian molekul, penyelidik menyiasat lagi keupayaan MUSE untuk mempelajari dan meramal struktur pada struktur atom skala Keupayaan untuk mencirikan, termasuk meramalkan hubungan antara muka dan tapak mengikat yang dikaitkan dengan PPI.

Untuk menilai ramalan hubungan antara rantaian protein, MUSE telah dibandingkan dengan kaedah terkini pada penanda aras DIPS-Plus. MUSE secara konsisten mengatasi semua kaedah lain, mengesahkan keberkesanan dan kebolehsuaiannya dalam ramalan struktur atom.

Rajah 3: Prestasi MUSE pada skala struktur atom. (Sumber: kertas)

MUSE dinilai selanjutnya untuk meramalkan sama ada sisa terlibat secara langsung dalam interaksi protein-protein. Keputusan menunjukkan bahawa pembelajaran skala rangkaian molekul dalam MUSE boleh memberikan pandangan yang berharga tentang ramalan skala struktur atom.

Meringankan ciri ketidakseimbangan pembelajaran berskala melalui pengoptimuman berulang

Untuk meneroka mengapa MUSE boleh mencapai prestasi unggul dalam perwakilan berbilang skala, penyelidik menganalisis keupayaan pembelajaran MUSE berdasarkan ciri ketidakseimbangan pelbagai skala pembelajaran.

Rajah 4: Analisis ciri tidak seimbang dalam pembelajaran berskala. (Sumber: kertas)

Hasilnya menunjukkan bahawa MUSE berkesan mengurangkan ciri-ciri ketidakseimbangan dan pembelajaran tamak dalam pembelajaran pelbagai skala, memastikan penggunaan maklumat yang menyeluruh pada skala yang berbeza semasa proses latihan. Di samping itu, eksperimen dengan analisis kadar penggunaan membolehkan penyelidik memahami secara khusus perkara yang dipelajari oleh model dan menunjukkan bahawa menggunakan MUSE untuk mengimbangi pembelajaran model pada skala yang berbeza boleh meningkatkan keupayaan generalisasi.

Visualisasi dan tafsiran perwakilan berskala yang dipelajari

Untuk lebih memahami perwakilan berbilang skala yang dipelajari, penyelidik mengkaji perwakilan pelbagai skala yang dipelajari oleh MUSE dari sudut yang berbeza, termasuk (1) tangkapan MUSE Keupayaan atom maklumat struktur (iaitu, motif struktur dan benam) yang terlibat dalam PPI, dan (2) penyeliaan bersama antara struktur atom yang dipelajari dan perwakilan rangkaian molekul.

Rajah 5: Visualisasi dan tafsiran perwakilan pelbagai skala. (Sumber: kertas)

Sebagai contoh ramalan tapak pengikat (id PDB: 3CQQ-A), MUSE boleh mengenal pasti dengan tepat sisa kepunyaan tapak pengikatan dengan ketepatan 97.7%. Ini menunjukkan bahawa penyeliaan bersama dalam MUSE membantu model skala struktur atom mempelajari substruktur utama yang berkaitan dengan interaksi.

Akhirnya, penyelidik juga menjalankan kajian ablasi untuk mengkaji kesan pseudo-label yang diramalkan pada skala struktur atom pada skala rangkaian molekul.

Walaupun MUSE menunjukkan prestasi terkini dalam penanda aras, masih mungkin untuk meningkatkan keupayaannya untuk mengendalikan tugas hiliran berbilang skala yang bising dan tidak lengkap. Ini boleh dicapai dengan menggabungkan pengetahuan sedia ada melalui graf pengetahuan dan teknik AI yang boleh dijelaskan. Sebaliknya, rangka kerja berbilang skala konsep ini juga boleh diperluaskan kepada penemuan ubat pengiraan pada skala lain.

Atas ialah kandungan terperinci Prestasi SOTA, pembelajaran pelbagai skala, Universiti Sun Yat-sen mencadangkan rangka kerja AI interaksi protein-ubat. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!