Mutually beneficial confluence of structure-based modeling of protein dynamics and machine learning methods.
Mutually beneficial confluence of structure-based modeling of protein dynamics and machine learning methods.
复制标题
DOI：
10.1016/j.sbi.2022.102517
复制
发表时间：
2023-02
影响因子：
6.8
通讯作者：
Bahar, Ivet
中科院分区：
文献类型：
--
作者：
Banerjee, Anupam;Saha, Satyaki;Tvedt, Nathan C.;Yang, Lee-Wei;Bahar, Ivet
蛋白质在生理条件下对构象异构体的集合进行采样，可以获得一系列运动模式，也称为内在动力学。这些运动确保了细胞对各种相互作用的适应，并且如果不能决定的话，也在很大程度上有助于生物功能的可行机制。近年来，机器学习框架已被证明在结构生物学中具有独特的用途，最近的研究进一步证明了考虑内在动力学以提高其预测能力的实用性和/或必要性。通过最近开发的基于物理学的理论和模型（例如弹性网络模型）对基于动态的属性进行有效量化，提供了一个独特的机会来生成动态数据，用于训练ML模型来推断蛋白质功能机制、评估致病性或估计结合亲和力。
Proteins sample an ensemble of conformers under physiological conditions, having access to a spectrum of modes of motions, also called intrinsic dynamics. These motions ensure the adaptation to various interactions in the cell, and largely assist in, if not determine, viable mechanisms of biological function. In recent years, machine learning frameworks have proven uniquely useful in structural biology, and recent studies further provide evidence to the utility and/or necessity of considering intrinsic dynamics for increasing their predictive ability. Efficient quantification of dynamics-based attributes by recently developed physics-based theories and models such as elastic network models provides a unique opportunity to generate data on dynamics for training ML models towards inferring mechanisms of protein function, assessing pathogenicity, or estimating binding affinities.
登录
查看更多内容
DOI：
10.1038/s41576-021-00441-w
发表时间：
2022-06
期刊：
Nature reviews. Genetics
影响因子：
--
作者：
Braberg H;Echeverria I;Kaake RM;Sali A;Krogan NJ
通讯作者：
Krogan NJ
影响因子：
4.3
作者：
Frappier V;Najmanovich RJ
通讯作者：
Najmanovich RJ
DOI：
10.1016/s1359-0278(97)00024-2
发表时间：
1997-01-01
期刊：
FOLDING & DESIGN
影响因子：
--
作者：
Bahar, I;Atilgan, AR;Erman, B
通讯作者：
Erman, B
用于协同进化序列分析的Evcouplings Python框架。
DOI：
10.1093/bioinformatics/bty862
发表时间：
2019-05-01
期刊：
Bioinformatics (Oxford, England)
影响因子：
--
作者：
Hopf TA;Green AG;Schubert B;Mersmann S;Schärfe CPI;Ingraham JB;Toth-Petroczy A;Brock K;Riesselman AJ;Palmedo P;Kang C;Sheridan R;Draizen EJ;Dallago C;Sander C;Marks DS
通讯作者：
Marks DS
影响因子：
14.9
作者：
Frappier V;Chartier M;Najmanovich RJ
通讯作者：
Najmanovich RJ