用于设计具有功能位点的蛋白质的深度学习
当前包含结合或催化基序的蛋白质从头设计方法通常需要预先指定的折叠或二级结构。 这可能会导致大量的试验和错误，以找到合适的蛋白质结构来支撑任意位点。 我们描述了两种互补的方法，它们使用 RosettaFold 或 AlphaFold 神经网络将输入序列映射到预测结构中。 在第一个“约束幻觉”方法中，我们使用梯度下降来优化一个函数，该函数奖励围绕所需功能站点的脚手架的重述和理想性。 我们还在交互函数中添加了特定于问题的术语。 这使我们能够设计具有被中和抗体识别的表位的候选免疫原、逃避抗性病毒抑制抑制的受体陷阱、金属蛋白、酶以及目标结合蛋白，以及围绕已知结合基序设计的界面在第二种方法中“ missing information retrieval\”，我们从想要的功能位点开始，同时补齐缺失的结构和序列信息，完成蛋白质。 这是使用更新后的 RoseTTAFold 在一次前向传递中完成的，该 RoseTTAFold 经过训练可以从序列中恢复结构，也可以从结构中恢复序列。 这两种方法具有高度协同作用，AlphaFold2 的结构预测计算表明它们可以生成具有广泛功能位点的蛋白质。

作者没有声明任何竞争利益。

来源和详细信息：
https://www.biorxiv.org/content/10.1101/2021.11.10.468128v1