Lattice Protein Folding with Variational Annealing
作者: Shoummo Ahsan Khandoker, Estelle M. Inack, Mohamed Hibat-Allah
发布时间: 2025-03-03
来源: arxiv
研究方向: 计算生物学，蛋白质折叠，机器学习，变分退火
主要内容
本文研究了蛋白质折叠中的二维水-极（HP）格点模型，提出了一种新的变分退火方法，结合扩展循环神经网络（RNN）和掩码技术，有效地寻找最低能量折叠，并展示了在基准系统中的性能。
主要贡献
1. 提出了一种新的变分退火方法，结合扩展RNN和掩码技术，有效地寻找最低能量折叠。
2. 通过掩码技术，避免了无效折叠的采样，同时保持了RNN的自回归采样特性。
3. 引入了自由能上限训练方案，稳定并提高了RNN在二维HP模型上的训练能力。
4. 该方法可推广到三维空间和其他格点蛋白质折叠模型。
5. 实验结果表明，该方法在基准系统上找到了最优折叠，并与其他机器学习方法进行了比较。
研究方法
1. 扩展循环神经网络（Dilated RNN）
2. 变分退火（Variational Annealing）
3. 掩码技术（Masking）
4. 自由能上限训练方案（Free Energy Upper Bound Training）
实验结果
实验结果表明，该方法在基准系统上找到了最优折叠，并与其他机器学习方法进行了比较。在60个珠子以下的系统中，该方法都能找到最优折叠。与FoldingZero、AlphaGo Zero、DQN-LSTM等方法相比，该方法在能量上具有优势。
未来工作
将该方法推广到三维空间和其他格点蛋白质折叠模型，例如20字母的Miyazawa-Jernigan模型。探索使用编码器网络进行即时推理，以降低推理时间。将该方法应用于更广泛的组合优化问题。