[논문 리뷰] Fast and Flexible Geometric Method For Enhancing MC Sampling of Compact Configurations For Protein Docking Problem

Aysegul Ozkan, Jose C. Flores‐Canales외 3명|arXiv (Cornell University)|2014. 08. 11.

Protein Structure and Dynamics참고 문헌 13인용 수 7

한 줄 요약

이 논문은 단백질 도킹에서 저에너지이고 밀도 높은 구성을 효율적으로 탐색하기 위해 케일리 파라미터를 사용하는 기하적 샘플링 방법인 EASAL을 제안한다. 거리 기반 좌표를 통해 구성 공간을 볼록화함으로써 EASAL은 전통적인 몬테카를로(MC) 방법보다 훨씬 적은 샘플로 더 빠른 샘플링 속도, 균일하고 가중치가 부여된 커버리지, 그리고 매크로상태 국지화를 달성한다. 특히 이온 채널과 같은 얇고 저차원의 에너지 영역에서 뛰어난 성능을 보인다.

ABSTRACT

EASAL (Efficient Atlasing and Sampling of Assembly Landscapes) is a geometric method for sampling and computing integrals over the potential energy landscape of small molecular assemblies. EASAL's efficiency arises from the fact that small assembly landscapes permit the use of so-called Cayley (inter-atomic distance based) parameters for geometric representation and sampling of the assembly configuration space regions; this results in their isolation, convexification, customized sampling and systematic traversal using a comprehensive topological roadmap. We define custom-designed measurements to investigate and compare various sampling characteristics of EASAL and the traditional Monte Carlo (MC) sampling, including (i) sampling speed, (ii) efficiency and accuracy of uniform grid coverage, (iii) accuracy of weighted coverage at covering low energy regions, (iv) ability to localize sampling to macrostates, and (v) flexibility in sampling distributions. In particular, we compare the sampling characteristics of EASAL and MC in sampling the assembly landscape of 2 trans-membrane helices, with short-range pair-potentials. We demonstrate that EASAL provides a reasonable coverage of crucial but narrow regions of the energy landscape of low effective dimension, with much fewer samples and computational resources than MC sampling. Promising avenues for combining the complementary advantages of the two methods are discussed.

연구 동기 및 목표

• 단백질 조립 시뮬레이션에서 관련 위상공간의 불완전한 샘플링 문제를 해결하기 위해.
• 속도, 커버리지 정확도, 유연성 측면에서 EASAL의 샘플링 성능을 전통적인 몬테카를로(MC) 샘플링과 비교하기 위해.
• EASAL이 매크로상태로의 샘플링 국지화와 저에너지, 저차원 영역의 효율적 샘플링 능력을 평가하기 위해.
• 자유 에너지 및 적분 계산 향상을 위한 EASAL과 MC 간의 상호보완적 이점을 탐색하기 위해.
• 최소한의 계산 비용으로 에너지 표면의 좁고 핵심적인 영역을 효과적으로 샘플링할 수 있는 EASAL의 능력을 입증하기 위해.

제안 방법

• EASAL은 분자 구성을 표현하기 위해 거리 기반 내부 좌표인 케일리 파라미터를 사용하며, 이로 인해 활성 제약 영역(매크로상태)의 볼록화가 가능해진다.
• 에너지 표면을 거의 등위치인 매크로상태들로 분할하며, 각 매크로상태는 유사한 에너지를 가진 최대 연속 영역이며, 검색 가능한 애트라스를 형성한다.
• 케일리 공간에서의 볼록성 덕분에 제약 조건을 강제하지 않아도 샘플링이 매크로상태 내부에 머무르며, 기울기 강하와 샘플 기각을 피할 수 있다.
• EASAL은 위상적 도로망을 통해 구성 공간을 체계적으로 탐색할 수 있으며, 다양한 차원(2D에서 5D까지)의 매크로상태에 국한된 샘플링을 지원한다.
• ε-커버리지 및 MultiGrid 기반 가중 커버리지와 같은 고안된 척도를 사용하여 MC와의 샘플링 효율성 및 정확도를 정량적으로 비교한다.
• 애트라스 생성과 샘플링을 분리함으로써, 분지, 에너지 장벽, 경로 확률, 구성 엔트로피 근사치 등을 사전 계산할 수 있다.

실험 결과

연구 질문

• RQ1 EASAL은 밀도 높은 단백질 조립체에서 몬테카를로보다 샘플링 속도가 얼마나 빠른가?
• RQ2 EASAL은 몬테카를로보다 더 적은 샘플로 에너지 표면의 균일한 커버리지 정확도를 얼마나 잘 달성하는가?
• RQ3 EASAL은 저에너지 영역의 가중 커버리지에서 몬테카를로보다 얼마나 잘 수행되는가?
• RQ4 EASAL은 다양한 차원성(다양한 차원)을 가진 개별 매크로상태로의 샘플링 국지화를 얼마나 효과적으로 수행하는가?
• RQ5 EASAL과 MC를 융합했을 때 자유 에너지 및 적분 계산에 어떤 상호보완적 이점이 있는가?

주요 결과

• EASAL은 케일리 공간에서의 볼록성 덕분에 기울기 강하와 샘플 기각을 피함으로써 몬테카를로보다 훨씬 더 빠른 샘플링을 달성한다.
• EASAL은 더 적은 샘플로 더 높은 ε-커버리지 정확도를 보이며, 구성 공간의 균일한 샘플링이 더 효율적이고 정밀하다는 것을 시사한다.
• 반복 샘플링을 최소화하고 샘플 수 당 더 나은 정규화를 달성함으로써 EASAL은 균일한 커버리지에서 더 높은 효율성을 보인다.
• 저에너지 영역의 가중 커버리지 측면에서, EASAL은 MultiGrid 기준으로 에너지적으로 유리한 영역에 더 정확하게 샘플을 집중시키며 몬테카를로를 능가한다.
• EASAL은 다양한 차원(2D에서 5D까지)의 매크로상태로의 샘플링 국지화에 성공하여, 저차원이지만 영향력이 큰 영역을 타겟으로 탐색할 수 있다.
• EASAL과 MC를 융합하면, EASAL이 저에너지 분지를 시드로 제공함으로써 MC의 탐색 속도를 가속화하고, 에르고디시티 및 샘플링 정확도를 향상시킬 수 있다.