[논문 리뷰] Sequential Monte Carlo Methods for Protein Folding

Peter Grassberger|arXiv (Cornell University)|2004. 08. 26.

Machine Learning in Materials Science참고 문헌 8인용 수 5

한 줄 요약

이 논문은 단백질 접힘을 모방하는 이종폴리머 모델의 저에너지 구조를 효율적으로 찾기 위해 새로운 순차적 몽테카를로 방법 nPERM을 소개한다. 에너지 편향에 기반한 샘플링으로 단계별로 폴리머를 성장시키고, 가중치 조정을 통한 인구 수 조절을 통해 기존의 마르코프 체인 몽테카를로 및 유전 알고리즘에 비해 뛰어난 성능을 발휘한다. 격자 모델에서 복잡한 시퀀스, 예를 들어 피보나치 기반 체인에 대해 거의 정확한 최저 에너지 상태를 달성한다.

ABSTRACT

We describe a class of growth algorithms for finding low energy states of heteropolymers. These polymers form toy models for proteins, and the hope is that similar methods will ultimately be useful for finding native states of real proteins from heuristic or a priori determined force fields. These algorithms share with standard Markov chain Monte Carlo methods that they generate Gibbs-Boltzmann distributions, but they are not based on the strategy that this distribution is obtained as stationary state of a suitably constructed Markov chain. Rather, they are based on growing the polymer by successively adding individual particles, guiding the growth towards configurations with lower energies, and using "population control" to eliminate bad configurations and increase the number of "good ones". This is not done via a breadth-first implementation as in genetic algorithms, but depth-first via recursive backtracking. As seen from various benchmark tests, the resulting algorithms are extremely efficient for lattice models, and are still competitive with other methods for simple off-lattice models.

연구 동기 및 목표

• 단백질 접힘의 단순 모델이 되는 이종폴리머 모델에서 저에너지 상태를 찾기 위한 일반 목적의 알고리즘을 개발하는 것.
• 세부 균형 조건이 필요로 하지 않으며 局부 이동을 기반으로 하지 않는 표준 마르코프 체인 몽테카를로 방법의 한계를 극복하는 것.
• 특히 복잡한 에너지 경관을 가진 시퀀스에 대해 격자 모델과 비격자 모델 모두에서 구조적 공간 탐색의 효율성을 향상시키는 것.
• 기존의 유전 알고리즘 및 허밀토니안 기반 몽테카를로 방법에 비해 스케일이 가능하고 경쟁력 있는 대안을 제공하는 것 — 특히 탈리어스 단백질 구조 예측을 위한 것.

제안 방법

• 에너지 편향에 의해 저에너지 구성이 유리하도록 유도하면서, 하나의 단위체씩 단계적으로 폴리머를 성장시키는 깊이 우선, 재귀적 백트래킹 방법을 사용한다.
• 각 단계에서 편향 보정을 위한 가중치 요소를 적용하여 최종 분포가 간섭-보상 분포와 일치하도록 보장한다.
• 인구 수 조절은 '러시안 룰렛과 분할' 방식으로 시행된다: 낮은 가중치를 가진 구성은 확률적으로 제거되거나 복제되며, 이에 따라 가중치가 조정되어 통계적 정확성을 유지한다.
• 알고리즘은 비마르코프, 순차적 샘플링을 위해 수정된 PERM(자르고 풍부하게 만든 로젠블루스 방법) 프레임워크의 변형을 사용하며, 여기서는 nPERM로 명명한다.
• 세부 균형 조건을 피하고 마르코프 체인의 정적 상태를 기반으로 하지 않으며, 대신 동적 가중치 재조정을 통한 점진적 구성 수립 방식을 취한다.
• 기준 테스트를 위해, 고정된 결합 길이와 레너드존-유사 상호작용을 사용하는 2차원 및 3차원 단순 모델에서 피보나치 수열의 수소화성(A) 및 극성(B) 단위체를 사용한다.

실험 결과

연구 질문

• RQ1 순차적이고 비마르코프 성격을 가진 몽테카를로 방법이 이종폴리머의 저에너지 구성 찾기에 표준 메트로폴리스 기반 알고리즘보다 뛰어나게 성능을 발휘할 수 있는가?
• RQ2 가중치 조정을 통한 인구 수 조절이 순차적 폴리머 성장 과정에서 정확한 통계적 가중치를 유지하는 데 얼마나 효과적인가?
• RQ3 정확한 해가 알려진 격자 모델에서 이 방법이 복잡한 수소화성 코어 형성 특성을 가진 시퀀스에 대해 최저 에너지 상태를 얼마나 잘 찾을 수 있는가?
• RQ4 이 방법의 성능가 유전 알고리즘 및 기타 히우리스틱 방법과 비교해 봤을 때, 기준 단백질 유사 시퀀스에서 어떻게 나타나는가?
• RQ5 이 접근법은 비격자 모델 및 결국에는 기존 몽테카를로 방법이 어려움을 겪는 용액 상태 단백질로까지 확장 가능할 수 있는가?

주요 결과

• 2차원 피보나치 수열(N=55)에서, 이 방법은 이전에 보고된 E = -14.41보다 훨씬 낮은 에너지 E = -18.515의 최저 에너지 상태를 발견하였다.
• 2차원 및 3차원 모두에서 피보나치 수열을 최대 N=55까지 성공적으로 근사 최저 에너지 상태로 식별하여, 비임의적이며 구조적인 시퀀스에서의 높은 정확도를 입증하였다.
• 격자 모델에서 nPERM는 유전 알고리즘과 표준 메트로폴리스 유형 몽테카를로 방법을 모두 능가하였으며, 정확한 수치 해법에 가까운 성능을 보였다.
• 이 방법은 장기 체인에서 A와 B 단위체가 번갈아 배치되어 수소화성 코어가 연결되어 있지 않다는 점을 드러내어, 이 피보나치 수열 모델이 실제 단백질에 대한 나쁜 모델임을 시사하였다.
• 비격자 모델에서는 nPERM가 현대의 마르코프 체인 방법과 경쟁 가능했지만, 아직 슈퍼어리어하지는 않았으며, 향후 최적화 잠재력이 있음을 시사하였다.
• 이 연구는 nPERM를 다중칸 온리킹 또는 우바렐라 샘플링 기법과 조합하면 복잡한 에너지 경관에서 성능 향상이 가능할 것이라고 제안한다.