[论文解读] Deep Learning in Protein Structural Modeling and Design

Wenhao Gao, Sai Pooja Mahajan+2 more|arXiv (Cornell University)|Jul 16, 2020

Protein Structure and Dynamics参考文献 202被引用 16

一句话总结

本综述整合了深度学习在蛋白质结构建模与设计中的最新进展，重点聚焦于CNN、RNN、VAE和GAN等架构，用于从序列预测蛋白质结构并生成具有新功能的蛋白质。文章突出了AlphaFold在结构预测中实现高精度等突破性进展，以及生成模型在蛋白质设计中实现高达87%的序列恢复率，展示了深度学习在计算生物学中的变革性作用。

ABSTRACT

Deep learning is catalyzing a scientific revolution fueled by big data, accessible toolkits, and powerful computational resources, impacting many fields including protein structural modeling. Protein structural modeling, such as predicting structure from amino acid sequence and evolutionary information, designing proteins toward desirable functionality, or predicting properties or behavior of a protein, is critical to understand and engineer biological systems at the molecular level. In this review, we summarize the recent advances in applying deep learning techniques to tackle problems in protein structural modeling and design. We dissect the emerging approaches using deep learning techniques for protein structural modeling, and discuss advances and challenges that must be addressed. We argue for the central importance of structure, following the "sequence -> structure -> function" paradigm. This review is directed to help both computational biologists to gain familiarity with the deep learning methods applied in protein modeling, and computer scientists to gain perspective on the biologically meaningful problems that may benefit from deep learning techniques.

研究动机与目标

• 为计算生物学家提供深度学习方法在蛋白质结构建模与设计中应用的全面概述。
• 帮助计算机科学家理解蛋白质建模中具有生物学意义的问题，这些问题是深度学习技术可受益的领域。
• 分析学习表征与生成模型在预测蛋白质结构及设计具有特定功能的新序列中的作用。
• 评估深度学习模型在蛋白质结构预测与从头设计中的性能与局限性，尤其是与传统方法的对比。
• 识别未来研究在可解释性、泛化能力与数据效率方面的开放性挑战。

提出的方法

• 采用卷积神经网络（CNN）从蛋白质序列和结构表征中提取局部空间与序列模式。
• 应用循环神经网络（RNN）与双向LSTM，以建模氨基酸序列中的长程依赖关系，用于结构与功能预测。
• 利用变分自编码器（VAE）学习蛋白质序列与结构的解耦、连续的潜在表征，实现生成与插值。
• 借助生成对抗网络（GAN）与条件GAN，基于结构或功能目标生成逼真的蛋白质序列，提升溶解度与催化活性。
• 整合图神经网络（GNN）与三维卷积网络，将蛋白质骨架建模为图或三维网格，实现端到端的结构到序列映射。
• 结合自适应采样与自编码器框架（如CbAS-VAE、PEVAE），以增强对进化与稳定性相关特征的潜在空间建模。

实验结果

研究问题

• RQ1 深度学习模型如何在缺乏已知模板的情况下，准确从氨基酸序列预测蛋白质三维结构？
• RQ2 VAE与GAN等生成模型在从头设计中，能在多大程度上生成新颖、稳定且具有功能的蛋白质序列？
• RQ3 不同神经网络架构（CNN、RNN、GNN、变换器）在建模蛋白质序列-结构关系方面有何比较优势？
• RQ4 学习到的潜在表征在捕捉进化关系、二级结构与稳定性等生物学意义特征方面发挥何种作用？
• RQ5 当前深度学习模型在蛋白质设计中的主要局限性是什么，特别是在泛化能力、可解释性与数据效率方面？

主要发现

• AlphaFold在CASP13中达到最先进性能，显著提升了自由建模（FM）与模板依赖建模（TBM）类别的准确性，尤其在困难目标上表现突出。
• 生成模型如ProDCoNN与DenseCPD分别实现了42.2%与54.45%的序列恢复率，展示了在逆折叠任务中的强劲表现。
• gcWGAN模型生成序列的TM得分≥cVAE，表明生成蛋白质具有高结构质量与多样性。
• ProteinGAN成功生成16,706条新颖蛋白质序列，其中60个测试序列中有19个表现出溶解性，13个具有催化活性。
• 基于Transformer的模型在刚性结构下困惑度为6.56，柔性结构下为11.13，优于随机基线（20.00），表明其有效建模了结构约束。
• 基于3D CNN的模型（如Anand等人，2020年研究）在TIM-桶折叠测试中，将序列恢复率从33%提升至87%，凸显了三维空间建模的强大能力。