基于深度学习的采样技术在蛋白质结构预测中运用

摘要

蛋白质结构预测指的是：已知氨基酸序列，通过计算的手段预测蛋白质空间三维结构。作为生化实验的一种补充手段，结构预测能够帮助我们在实验结构未知的情况下了解和利用蛋白质的生化功能。目前，蛋白质结构预测的一大瓶颈在于构象的采样。所谓的采样是指在蛋白质的构象空间中生成最小自由能的构象。本文旨在采用深度学习技术研发一种新的采样技术，帮助蛋白质结构预测。
　　传统的采样方法是对自由度直接赋值。这种方法在处理较少的残基时能取得好的效果。但是对于包含100个残基以上的蛋白质结构，由于构象空间的急剧增长，难以得到理想的结构。本文引入深度学习中的混合蒙特卡罗采样方法，以概率分布为依据对蛋白质的自由度进行采样，能够对包含100、200甚至更多个残基的蛋白质结构进行采样。并且，在采样的过程中加入残基间的距离约束，使得一个结构中，最多有75％（平均40%）的残基对得到优化，满足距离约束。
　　能量函数是采样方法的基础依据。本文引入深度学习中的卷积神经网络，通过改进网络结构，让其能够学习蛋白质结构中原子之间的相互作用关系。然后，在多层网络的学习的基础上，用其做回归运算，能够准确的预测蛋白质结构的GDT-Score，在实验中和标准GDT-Score的误差仅在0.002左右。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 引言

1.1 研究背景

1.2 研究内容

1.3 研究意义

1.4 本文组织结构

第二章 蛋白质结构预测中的采样技术

2.1 结构预测与采样

2.2 Rosetta采样

2.3 I-TASSER采样

2.4 QUARK采样

2.5 本章小结

第三章 基于CNN的蛋白质结构打分函数

3.1 卷积神经网络

3.2 材料与方法

3.3 实验结果分析

3.4 本章小结

第四章 基于距离约束的HMC采样

4.1 HMC采样

4.2 距离约束

4.3 材料与方法

4.4 实验结果与分析

4.5 本章小结

第五章 总结与展望

5.1 工作总结

5.2 研究展望

参考文献

发表文章目录及科研项目

致谢