基于多结构深度学习的蛋白质模型细化方法

为了进一步改善AlphaFold2蛋白质结构模型的质量,本文提出了一种基于深度学习捕捉多结构之间互补信息的蛋白质模型细化方法MSDRefine.首先,MSDRefine从初始结构出发,搜索多序列比对信息并提取位置特异性打分矩阵和协方差矩阵;同时从多个结构中提取残基的LDDT、USR、结构谱等特征.其次,设计了一个深度残差神经网络,学习多个结构间的互补信息来预测蛋白质残基间的距离分布.最后,将距离分布转化为势能函数用于能量极小化的模型细化.在150个测试蛋白上,MSDRefine在不依赖于多结构信息的条件下,细化模型的TM-score相比于DeepRefiner和GNNRefine分别提升了8.8%和5.7%.在47个CAMEO蛋白上,MSDRefine融合了AlphaFold2和RoseTTAFold的结构信息,大幅度提升了初始结构的精度,并优于AlphaFold2模型.