2021, випуск 1, c. 54-60

Одержано 10.02.2021; Виправлено 17.02.2021; Прийнято 25.03.2021

Надруковано 30.03.2021; Вперше Online 03.04.2021

https://doi.org/10.34229/2707-451X.21.1.5

Попередня  |  Повний текст  |  Наступна

 

УДК 519.272.2

Досягнення у визначенні просторової структури білків на основі методів машинного навчання

Б.О. Білецький

Інститут кібернетики імені В.М. Глушкова НАН України, Київ

Листування: Ця електронна адреса захищена від спам-ботів. Вам потрібно увімкнути JavaScript, щоб побачити її.

 

Вступ. Задача визначення просторової структури білків – одна з найважливіших нерозв’язаних задач людства. Життя на планеті Земля називають білковим, оскільки білкові молекули – рушії процесів життєдіяльності в живих організмах. Білки становлять близько 80 % сухої маси клітини та координують процеси життєдіяльності. Функція білка залежить від його просторової структури.

Результати останніх змагань методів визначення білкових структур продемонстрували значні успіхи у цьому важливому напрямку. Одна з дослідницьких груп представила метод AlphaFold 2, точність якого сягнула точності експериментальних методів.

Мета роботи. Розглянути та проаналізувати основні принципі дії програмного комплекса AlphaFold з визначення просторової структури білків.

Результати. Наведено основні складові методи та етапи в процесі розпізнавання структури білка. До складових етапів та відповідних методів належать такі як: пошук гомологічних білків на основі методів множинного вирівнювання, побудова білок-специфічного диференційованого потенціалу за допомогою штучних нейронних мереж та оптимізація енергії за допомогою градієнтного спуску та обмеженого семплювання.

Висновки. Поєднання цілої низки методів та використання інформації з банків білкових та генетичних даних дозволяють значно просунутися у розв’язанні надзвичайно важливої задачі визначення структури білка.

 

Ключові слова: просторова структура білка, машинне навчання, AlphaFold.

 

Цитувати так: Білецький Б.О. Досягнення у визначенні просторової структури білків на основі методів машинного навчання. Cybernetics and Computer Technologies. 2021. 1. С. 54–60. https://doi.org/10.34229/2707-451X.21.1.5

 

Список літератури

           1.     https://www.rcsb.org/stats/growth/growth-released-structures (звернення 10.02.2021)

           2.     https://www.uniprot.org/statistics/Swiss-Prot, https://www.ebi.ac.uk/uniprot/TrEMBLstats (звернення 10.02.2021)

           3.     Zemla A. LGA: A method for finding 3D similarities in protein structures. 2003. Nucleic Acids Research. 31 (13). P. 3370–3374. https://doi.org/10.1093/nar/gkg571

           4.     EVA: EValuation of Automatic protein structure prediction. http://pdg.cnb.uam.es/eva/doc/concept.html (звернення 10.02.2021)

           5.     Protein Structure Prediction Center. https://predictioncenter.org/index.cgi (звернення 10.02.2021)

           6.     Heaven D. Why deep-learning AIs are so easy to fool. Nature. 2019. 574. P. 163–166. https://doi.org/10.1038/d41586-019-03013-5

           7.     Pinkus A. Approximation theory of the MLP model in neural networks. Acta Numerica. 1999. 8. P. 143–195. https://doi.org/10.1017/S0962492900002919

           8.     Cybenko G.V. Approximation by Superpositions of a Sigmoidal function. Mathematics of Control Signals and Systems. 1989. 2 (4). P. 303314. https://doi.org/10.1007/BF02551274

           9.     Senior A.W., Evans R., Jumper, J. et al. Improved protein structure prediction using potentials from deep learning. Nature. 2020. 577. P. 706–710. https://doi.org/10.1038/s41586-019-1923-7

       10.     https://www.rosettacommons.org/software (звернення 10.02.2021)

       11.     https://toolkit.tuebingen.mpg.de/tools/hhblits (звернення 10.02.2021)

       12.     https://blast.ncbi.nlm.nih.gov (звернення 10.02.2021)

       13.     Malouf R. A comparison of algorithms for maximum entropy parameter estimation. Proceedings of the Sixth Conference on Natural Language Learning (CoNLL-2002). 2002. P. 49–55. https://doi.org/10.3115/1118853.1118871

       14.     https://www.cathdb.info/ (звернення 10.02.2021)

 

 

ISSN 2707-451X (Online)

ISSN 2707-4501 (Print)

Попередня  |  Повний текст  |  Наступна

 

 

            Випуски

 

© Вебсайт та оформлення. 2019-2024,

Інститут кібернетики імені В.М. Глушкова НАН України,

Національна академія наук України.