南京大学学报(自然科学版) ›› 2023, Vol. 59 ›› Issue (6): 919–927.doi: 10.13232/j.cnki.jnju.2023.06.002
机器学习在蛋白质疏水相互作用模型研究中的应用
冯晨博, 马维强, 程润, 王骏(
)
- 南京大学物理学院，南京，210093
Application of machine learning in the study of the hydrophobic interaction model of proteins
Chenbo Feng, Weiqiang Ma, Run Cheng, Jun Wang()
- School of Physics，Nanjing University，Nanjing，210093，China
摘要：
疏水相互作用是一种十分复杂的非线性多体等效相互作用，在蛋白质折叠中发挥着主导作用，对蛋白质溶剂可及表面积（SASA）的分析是刻画该作用的重要手段.为了解决SASA解析或数值方法难以平衡计算成本和精确度的问题，将机器学习方法应用于蛋白质SASA的预测中.与传统的典型方法进行比较，该方法得到的结果，误差小了一个数量级，计算速度比解析方法提升了近两个数量级.将该方法拓展到基于蛋白质粗粒化结构的SASA预测上，也取得了良好的结果.该方法为蛋白质物理的研究提供了新的高效计算工具.
中图分类号:
- Q615
| 1 | Bu?a J， D?urina J， Hayryan E，et al. ARVO：A Fortran package for computing the solvent accessible surface area and the excluded volume of overlapping spheres via analytic equations. Computer Physics Communications，2005，165(1)：59-96. |
| 2 | Yan Z Q， Wang J. Optimizing the affinity and specificity of ligand binding with the inclusion of solvation effect. Proteins：Structure，Function，and Bioinformatics，2015，83(9)：1632-1642. |
| 3 | Mennucci B， Tomasi J. Continuum solvation models：A new approach to the problem of solute's charge distribution and cavity boundaries. The Journal of Chemical Physics，1997，106(12)：5151-5158. |
| 4 | Eisenberg D， McLachlan A D. Solvation energy in protein folding and binding. Nature，1986，319(6050)：199-203. |
| 5 | Lee B， Richards F M. The interpretation of protein structures：Estimation of static accessibility. Journal of Molecular Biology，1971，55(3)：379?IN4. |
| 6 | Zou Z X， Chen K Y， Shi Z W，et al. Object detection in 20 years：A survey. Proceedings of the IEEE，2023，111(3)：257-276. |
| 7 | Huang S， Papernot N， Goodfellow I，et al. Adversarial attacks on neural network policies. 2017，arXiv:. |
| 8 | Hossain Z， Sohel F， Shiratuddin M F，et al. A comprehensive survey of deep learning for image captioning. ACM Computing Surveys，2019，51(6)：118. |
| 9 | Janai J， Güney F， Behl A，et al. Computer vision for autonomous vehicles：Problems，datasets and state of the art. Foundations and Trends? in Computer Graphics and Vision，2020，12(1-3)：1-308. |
| 10 | Young T， Hazarika D， Poria S，et al. Recent trends in deep learning based natural language processing. IEEE Computational Intelligence Magazine，2018，13(3)：55-75. |
| 11 | Minaee S， Kalchbrenner N， Cambria E，et al. Deep learning?based text classification：A comprehensive review. ACM Computing Surveys，2022，54(3)：62. |
| 12 | Garbacea C， Mei Q Z. Neural language generation：Formulation，methods，and evaluation. 2020，arXiv：. |
| 13 | Tay Y， Dehghani M， Bahri D，et al. Efficient transformers：A survey. ACM Computing Surveys，2023，55(6)：109. |
| 14 | Silver D， Huang A， Maddison C J，et al. Mastering the game of Go with deep neural networks and tree search. Nature，2016，529(7587)：484-489. |
| 15 | Silver D， Schrittwieser J， Simonyan K，et al. Mastering the game of go without human knowledge. Nature，2017，550(7676)：354-359. |
| 16 | Justesen N， Bontrager P， Togelius J，et al. Deep learning for video game playing. IEEE Transactions on Games，2020，12(1)：1-20. |
| 17 | Vinyals O， Babuschkin I， Czarnecki W M，et al. Grandmaster level in StarCraft II using multi?agent reinforcement learning. Nature，2019，575(7782)：350-354. |
| 18 | Bakator M， Radosav D. Deep learning and medical diagnosis：A review of literature. Multimodal Technologies and Interaction，2018，2(3)：47. |
| 19 | De Fauw J， Ledsam J R， Romera?Paredes B，et al. Clinically applicable deep learning for diagnosis and referral in retinal disease. Nature Medicine，2018，24(9)：1342-1350. |
| 20 | Chen H M， Engkvist O， Wang Y H，et al. The rise of deep learning in drug discovery. Drug Discovery Today，2018，23(6)：1241-1250. |
| 21 | Lavecchia A. Deep learning in drug discovery：Opportunities，challenges and future prospects. Drug Discovery Today，2019，24(10)：2017-2032. |
| 22 | Jumper J， Evans R， Pritzel A，et al. Highly accurate protein structure prediction with AlphaFold. Nature，2021，596(7873)：583-589. |
| 23 | Cramer P. AlphaFold2 and the future of structural biology. Nature Structural & Molecular Biology，2021，28(9)：704-705. |
| 24 | Nash W， Drummond T， Birbilis N. A review of deep learning in the study of materials degradation. npj Materials Degradation，2018，2(1)：37. |
| 25 | Agrawal A， Choudhary A. Deep materials informatics：Applications of deep learning in materials science. MRS Communications，2019，9(3)：779-792. |
| 26 | Baldi P， Sadowski P， Whiteson D. Searching for exotic particles in high?energy physics with deep learning. Nature Communications，2014，5(1)：4308. |
| 27 | Guest D， Cranmer K， Whiteson D. Deep learning and its application to LHC physics. Annual Review of Nuclear and Particle Science，2018(68)：161-181. |
| 28 | Zhang L F， Han J Q， Wang H，et al. Deep potential molecular dynamics：A scalable model with the accuracy of quantum mechanics. Physical Review Letters，2018，120(14)：143001. |
| 29 | Fox N K， Brenner S E， Chandonia J M. SCOPe：Structural Classification of Proteins?extended，integrating SCOP and ASTRAL data and classification of new structures. Nucleic Acids Research，2014，42(D1)：D304-D309. |
| 30 | Chandonia J M， Guan L， Lin S Y，et al. SCOPe：Improvements to the structural classification of proteins?extended database to facilitate variant interpretation and machine learning. Nucleic Acids Research，2022，50(D1)：D553-D559. |
| 31 | Hayryan S， Hu C K， Sk?ivánek J，et al. A new analytical method for computing solvent‐accessible surface area of macromolecules and its gradients. Journal of Computational Chemistry，2005，26(4)：334-343. |
| 32 | Fraczkiewicz R， Braun W. Exact and efficient analytical calculation of the accessible surface areas and their gradients for macromolecules. Journal of Computational Chemistry，1998，19(3)：319-333. |
| 33 | Mitternacht S. FreeSASA：An open source C library for solvent accessible surface area calculations Version 1. Peer Review：2 approved. F1000Research，2016(5)：189. |
| 34 | Center for Informational Biology，Ochanomizu University. Accessible surface area and accessibility calculation for protein. http:∥cib.cf.ocha.ac.jp/bitool/ASA/，2012. |
| 35 | Lam S K， Pitrou A， Seibert S. Numba：A LLVM?based python JIT compiler∥Proceedings of the 2nd Workshop on the LLVM Compiler Infrastructure in HPC. Austin，TX，USA：ACM，Article No.7，2015. |
| 36 | Srivastava N， Hinton G， Krizhevsky A，et al. Dropout：A simple way to prevent neural networks from overfitting. The Journal of Machine Learning Research，2014，15(1)：1929-1958. |
| [1] | 李灏天, 刘晓宙, 何爱军. 基于机器学习和超声成像的缺陷识别与分析[J]. 南京大学学报(自然科学版), 2022, 58(4): 670-679. |
| [2] | 杜渊洋, 邓成伟, 张建. 基于深度卷积神经网络的RNA三维结构打分函数[J]. 南京大学学报(自然科学版), 2022, 58(3): 369-376. |
| [3] | 高菲, 杨柳, 李晖. 开放集识别研究综述[J]. 南京大学学报(自然科学版), 2022, 58(1): 115-134. |
| [4] | 李苓玉, 刘治平. 基于机器学习的自发性早产生物标记物发现[J]. 南京大学学报(自然科学版), 2021, 57(5): 767-774. |
| [5] | 贾霄, 郭顺心, 赵红. 基于图像属性的零样本分类方法综述[J]. 南京大学学报(自然科学版), 2021, 57(4): 531-543. |
| [6] | 崔鹤, 刘昆, 瞿晓磊. 基于紫外⁃可见光谱和机器学习方法的溶解性有机质吸附预测模型研究[J]. 南京大学学报(自然科学版), 2021, 57(3): 356-363. |
| [7] | 潘越,王骏,李文飞,张建,王炜. 基于卷积神经网络的蛋白质折叠类型最小特征提取[J]. 南京大学学报(自然科学版), 2020, 56(5): 744-753. |
| [8] | 曹欣怡,李鹤,王蔚. 基于语料库的语音情感识别的性别差异研究[J]. 南京大学学报(自然科学版), 2019, 55(5): 758-764. |
| [9] | 阚 威, 李 云. 基于LSTM的脑电情绪识别模型[J]. 南京大学学报(自然科学版), 2019, 55(1): 110-116. |
| [10] | 朱亚奇1,邓维斌1 ,2*. 一种基于不平衡数据的聚类抽样方法[J]. 南京大学学报(自然科学版), 2015, 51(2): 421-429. |
| [11] | 朱亚奇1,邓维斌1,2*. 一种基于不平衡数据的聚类抽样方法[J]. 南京大学学报(自然科学版), 2015, 51(2): 421-429. |
|
||