[论文解读] Dynamic PDB: A New Dataset and a SE(3) Model Extension by Integrating Dynamic Behaviors and Physical Properties in Protein Structures

Ce Liu, Jun Wang+11 more|arXiv (Cornell University)|Aug 22, 2024

Protein Structure and Dynamics被引用 4

一句话总结

本文介绍了 Dynamic PDB，一个包含约 12.6K 个蛋白质的大规模数据集，其进行了 1-µs 全原子分子动力学模拟，捕捉了构象变化和丰富的物理性质（例如速度、力、能量）。通过将这些物理性质整合到 SE(3) 扩散模型中，实现了更精确的轨迹预测，基准蛋白质上的平均绝对误差（MAE）降低至 0.277，均方根偏差（RMSD）降低至 0.528。

ABSTRACT

Despite significant progress in static protein structure collection and prediction, the dynamic behavior of proteins, one of their most vital characteristics, has been largely overlooked in prior research. This oversight can be attributed to the limited availability, diversity, and heterogeneity of dynamic protein datasets. To address this gap, we propose to enhance existing prestigious static 3D protein structural databases, such as the Protein Data Bank (PDB), by integrating dynamic data and additional physical properties. Specifically, we introduce a large-scale dataset, Dynamic PDB, encompassing approximately 12.6K proteins, each subjected to all-atom molecular dynamics (MD) simulations lasting 1 microsecond to capture conformational changes. Furthermore, we provide a comprehensive suite of physical properties, including atomic velocities and forces, potential and kinetic energies of proteins, and the temperature of the simulation environment, recorded at 1 picosecond intervals throughout the simulations. For benchmarking purposes, we evaluate state-of-the-art methods on the proposed dataset for the task of trajectory prediction. To demonstrate the value of integrating richer physical properties in the study of protein dynamics and related model design, we base our approach on the SE(3) diffusion model and incorporate these physical properties into the trajectory prediction process. Preliminary results indicate that this straightforward extension of the SE(3) model yields improved accuracy, as measured by MAE and RMSD, when the proposed physical properties are taken into consideration. https://fudan-generative-vision.github.io/dynamicPDB/ .

研究动机与目标

• 为解决现有静态结构数据库（如 PDB）中缺乏全面、多样化且长时间动态蛋白质数据集的问题。
• 在 1 µs 模拟中以 1 ps 分辨率捕捉详细的构象动力学和物理性质（例如速度、力、能量）。
• 通过整合物理性质扩展 SE(3) 扩散模型，以改善蛋白质轨迹预测。
• 评估物理性质对预测精度及模型在未见蛋白质上泛化能力的影响。

提出的方法

• 通过在约 12.6K 个蛋白质上进行全原子分子动力学模拟，每个蛋白质模拟时长为 1 微秒，时间间隔为 1 ps，生成大规模数据集 Dynamic PDB。
• 在每个时间步收集全面的物理性质，包括原子速度、受力、势能和动能以及模拟温度。
• 扩展 SE(3) 扩散模型，使其在轨迹预测过程中将速度和力等物理性质作为额外输入特征。
• 同时在多个蛋白质上进行模型训练，以实现对未见蛋白质的零样本泛化能力。
• 通过消融研究分离物理性质（速度、力）对预测性能的贡献。
• 使用标准指标（平均绝对误差 MAE 和均方根偏差 RMSD）评估模型性能。

实验结果

研究问题

• RQ1 将速度和力等物理性质整合后，对蛋白质构象轨迹预测的准确性有何提升？
• RQ2 更长的模拟时长（1 µs 与 100 ns 和 50 ns 对比）如何影响模型学习动态模式的能力？
• RQ3 在多样化蛋白质轨迹上训练的扩散模型，在预测此前未见过的蛋白质轨迹方面，其泛化能力达到何种程度？
• RQ4 Dynamic PDB 中捕捉的物理性质在建模别构转变和构象变化方面起到了什么作用？

主要发现

• 在 SE(3) 模型中引入速度，使蛋白质 2ERL_A 的 MAE 从 0.284 降低至 0.279，RMSD 从 0.546 降低至 0.533。
• 进一步加入力信息后，MAE 降低至 0.277，RMSD 降低至 0.528，表明物理性质具有累积增益效果。
• 在 214 个蛋白质上训练的模型在未见蛋白质上的 MAE 为 0.299，RMSD 为 0.584，优于仅在 10 个蛋白质上训练的模型（MAE：0.303，RMSD：0.596）。
• 更长的模拟时长（1 µs）提升了基于流的模型（FM）的性能，而 SE(3)-Trans、EGNN 和 SEGNN 在不同模拟长度下表现相当。
• 定性结果显示，整合物理性质的预测结果与真实轨迹更接近，尤其在保持二级结构特征（如 α 螺旋和 β 折叠）方面表现更优。
• 该数据集支持对构象变化的详细分析，包括 RMSD 和回转半径趋势、接触图频率以及 Ramachandran 图分布。