生成抗体的生成GNN:Iterative Refinement Graph Neural Network for Antibody Sequence-Structure Co-design

本文主要是介绍生成抗体的生成GNN:Iterative Refinement Graph Neural Network for Antibody Sequence-Structure Co-design,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

网址: Iterative Refinement Graph Neural Network for Antibody Sequence-Structure Co-design | OpenReview

ICLR 2022的高分论文[8,8,8],目前没有给代码

内容:抗体结合的特异性是由这些Y形蛋白末端的互补决定区(CDR)决定的。这篇论文提出了一个生成模型来同时生成CDR序列和相应的结构,并具有迭代修改已生成子图的能力

有关抗体设计的一些问题

  • 挑战:CDR序列的组合搜索空间到了20的60次方,而同时满足亲和力、稳定性与可合成性的解空间较小

  • CDR生成的三个关键问题
    1. 如何对序列及其底层3D结构之间的关系进行建模-->同时设计
      1. 不考虑结构生成序列会导致次优性能
      2. 预定义结构再生成序列不适合抗体,因为结构很少是先验已知的
    2. 如何在给定序列(上下文)剩余部分的情况下对CDR的条件分布进行建模,注意力方法忽略了结构,而结构也是至关重要的
    3. 如何针对各种属性进行模型优化。传统基于物理的模型关注结合能最小化,本文模型关注的更多

抗体的组成

  • 抗体由一个重链(heavy chain)和一个轻链(light chain)组成,每个重链由一个可变区variable domain (VH/VL)和一些恒定区constant domain 组成。可变区进一步划分为框架区和三个补充性决定区(CDR)。重链上的三个CDR被标记为CDR-H1、CDR-H2、CDR-H3,每个CDR占据一个连续的序列。作为抗体中变异最大的部分,CDRs是结合和中和的主要决定因素-->抗体的设计任务可以认为是CDR的生成任务

模型结构

  • 本文只关注VH的CDR的生成,VL的同理
    • VH可表示为氨基酸的序列𝑠=𝑠1𝑠2…𝑠𝑛,其中每个si可称为残基(residue)
    • 残基的值为20中氨基酸中的一个,或者<MASK>
    • 使用主干坐标将其折叠为3D结构
      • 阿尔法碳:𝑥𝑖,𝛼
      • 碳原子:𝑥𝑖,𝑐
      • 氮原子:𝑥𝑖,𝑛

VH的表示

    • 这三个角与残基的主干坐标有关。对于每个残基,计算一个表示其局部坐标框架的方向矩阵𝑂𝑖
    • 对应论文:John Ingraham, Vikas K Garg, Regina Barzilay, and Tommi Jaakkola. Generative models for graph-based protein design.Neural Information Processing Systems, 2019.

  • 第一项:编码抗体序列中两个残基之间的相对距离
  • 第二项:提升为径向基的距离编码
  • 第三项:对应于残基𝑖的局部框架中的𝑥𝑗的相对方向的方向编码
  • 第四项:空间旋转矩阵𝑂𝑖𝑇𝑂𝑗的四元数表示q(·)的定向编码
  • 对于每一个残基,只考虑K=8个最近邻居

迭代改进的GNN:RefineGNN

初始化

  • 节点:全部初始化为<MASK>
  • 边:每条边初始化距离为3|𝑖−𝑗|,因为连续残基之间的平均距离约为3。方向和方向特征设置为零

生成过程

  • 在步骤t中,修改当前的图𝐺𝑡,然后预测下一个残基𝑡+1
  • 修改步骤
    • 使用消息传递框架MPN,h为每一个残基的表征
      • 其中,MPN有L层,每一层都由一个两层的FFN(激活函数为ReLU)表示
          • 𝐸(𝑠𝑗)为学习到的氨基酸的表征
  • 预测步骤(上图中的A)
    • 注意,预测步骤之后,图𝐺𝑡的边没有发生改变,但是节点特征变了(有一个<MASK>变为了预测出来的标签),因而这时的图为𝐺𝑡+0.5(上图中的B),需要进行结构上的修改(上图中的C):
    • 可以发现,结构预测(公式5,6)和序列预测(公式2,4)是采用的不同的参数,进了解耦,使得两个网络可以专注于两个不同的任务

两种训练

  • 离散氨基酸类型预测:第t步中,𝑠1~𝑠𝑡采用真实氨基酸类型, 之后的残基t+1~n为padding token
  • 连续结构预测:在每次迭代中,该模型改进上一步预测的整体结构,基于预测坐标
  • 构建一个新的K-nearest邻居生成新图𝐺𝑡+1

损失函数

  • 损失函数包含序列预测损失和结构损失两个方面
  • 序列预测损失为交叉熵函数
  • 结构损失包含三部分
    1. 距离损失:在预测与实际的阿尔法碳之间使用Huber loss
    1. 二面角损失(Dihedral angle loss):预测的二面角与真实的二面角之间的均方误差
    1. Cα angle loss

给定框架区域的条件生成

  • 上述的方法没有为抗体生成添加限制,而在实验中,通常需要固定抗体的框架区域,只设计CDR序列
  • 学习条件分布
  • 使用GRU为将CDR区域编码为上下文,然后预测中间被padding的CDR序列,使用注意力机制,将公式4,6修改为

  • 单纯使用注意力不行,没有考虑到结构;而每次迭代都修改结构在计算上过于昂贵了;在一开始就固定所有要预测残基的坐标更不行,因为他们需要得到相应的调整--->提出了粗粒度的模型:对残基进行聚类分块(上图D)为b,对应块的属性:

属性导向的序列优化

  • 最终目标是产生具有所需特性的新抗体,可以看成是一个优化问题

  • 在ITA(iterative target augmentation)优化开始之前,首先在一组真实抗体结构上预先训练模型,以学习CDR序列和结构的先验分布
  • 在每个ITA微调步骤中,首先随机抽取D的序列,D是一组抗体,其CDR需要重新设计

实验及结果

这篇关于生成抗体的生成GNN:Iterative Refinement Graph Neural Network for Antibody Sequence-Structure Co-design的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/795964

相关文章

AI一键生成 PPT

AI一键生成 PPT 操作步骤 作为一名打工人,是不是经常需要制作各种PPT来分享我的生活和想法。但是,你们知道,有时候灵感来了,时间却不够用了!😩直到我发现了Kimi AI——一个能够自动生成PPT的神奇助手!🌟 什么是Kimi? 一款月之暗面科技有限公司开发的AI办公工具,帮助用户快速生成高质量的演示文稿。 无论你是职场人士、学生还是教师,Kimi都能够为你的办公文

pdfmake生成pdf的使用

实际项目中有时会有根据填写的表单数据或者其他格式的数据,将数据自动填充到pdf文件中根据固定模板生成pdf文件的需求 文章目录 利用pdfmake生成pdf文件1.下载安装pdfmake第三方包2.封装生成pdf文件的共用配置3.生成pdf文件的文件模板内容4.调用方法生成pdf 利用pdfmake生成pdf文件 1.下载安装pdfmake第三方包 npm i pdfma

poj 1258 Agri-Net(最小生成树模板代码)

感觉用这题来当模板更适合。 题意就是给你邻接矩阵求最小生成树啦。~ prim代码:效率很高。172k...0ms。 #include<stdio.h>#include<algorithm>using namespace std;const int MaxN = 101;const int INF = 0x3f3f3f3f;int g[MaxN][MaxN];int n

poj 1287 Networking(prim or kruscal最小生成树)

题意给你点与点间距离,求最小生成树。 注意点是,两点之间可能有不同的路,输入的时候选择最小的,和之前有道最短路WA的题目类似。 prim代码: #include<stdio.h>const int MaxN = 51;const int INF = 0x3f3f3f3f;int g[MaxN][MaxN];int P;int prim(){bool vis[MaxN];

poj 2349 Arctic Network uva 10369(prim or kruscal最小生成树)

题目很麻烦,因为不熟悉最小生成树的算法调试了好久。 感觉网上的题目解释都没说得很清楚,不适合新手。自己写一个。 题意:给你点的坐标,然后两点间可以有两种方式来通信:第一种是卫星通信,第二种是无线电通信。 卫星通信:任何两个有卫星频道的点间都可以直接建立连接,与点间的距离无关; 无线电通信:两个点之间的距离不能超过D,无线电收发器的功率越大,D越大,越昂贵。 计算无线电收发器D

hdu 1102 uva 10397(最小生成树prim)

hdu 1102: 题意: 给一个邻接矩阵,给一些村庄间已经修的路,问最小生成树。 解析: 把已经修的路的权值改为0,套个prim()。 注意prim 最外层循坏为n-1。 代码: #include <iostream>#include <cstdio>#include <cstdlib>#include <algorithm>#include <cstri

【生成模型系列(初级)】嵌入(Embedding)方程——自然语言处理的数学灵魂【通俗理解】

【通俗理解】嵌入(Embedding)方程——自然语言处理的数学灵魂 关键词提炼 #嵌入方程 #自然语言处理 #词向量 #机器学习 #神经网络 #向量空间模型 #Siri #Google翻译 #AlexNet 第一节:嵌入方程的类比与核心概念【尽可能通俗】 嵌入方程可以被看作是自然语言处理中的“翻译机”,它将文本中的单词或短语转换成计算机能够理解的数学形式,即向量。 正如翻译机将一种语言

poj 3723 kruscal,反边取最大生成树。

题意: 需要征募女兵N人,男兵M人。 每征募一个人需要花费10000美元,但是如果已经招募的人中有一些关系亲密的人,那么可以少花一些钱。 给出若干的男女之间的1~9999之间的亲密关系度,征募某个人的费用是10000 - (已经征募的人中和自己的亲密度的最大值)。 要求通过适当的招募顺序使得征募所有人的费用最小。 解析: 先设想无向图,在征募某个人a时,如果使用了a和b之间的关系

Thymeleaf:生成静态文件及异常处理java.lang.NoClassDefFoundError: ognl/PropertyAccessor

我们需要引入包: <dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-thymeleaf</artifactId></dependency><dependency><groupId>org.springframework</groupId><artifactId>sp

前端-06-eslint9大变样后,如何生成旧版本的.eslintrc.cjs配置文件

目录 问题解决办法 问题 最近在写一个vue3+ts的项目,看了尚硅谷的视频,到了配置eslintrc.cjs的时候我犯了难,因为eslint从9.0之后重大更新,跟以前完全不一样,但是我还是想用和老师一样的eslintrc.cjs文件,该怎么做呢? 视频链接:尚硅谷Vue项目实战硅谷甄选,vue3项目+TypeScript前端项目一套通关 解决办法 首先 eslint 要