Key points are not available for this paper at this time.
Die Vorhersage von interresidualen Kontakten und Abständen aus Koevolutionsdaten unter Verwendung von Deep Learning hat die Vorhersage der Proteinstruktur erheblich vorangebracht. Hier bauen wir auf diesen Fortschritten auf, indem wir ein tiefes Residualnetzwerk zur Vorhersage der interresidualen Orientierungen zusätzlich zu den Abständen entwickeln, sowie ein Rosetta-eingeschränktes Energie-Minimierungsprotokoll, um Strukturmodelle schnell und genau zu generieren, die durch diese Einschränkungen geleitet werden. In Benchmark-Tests an Datensätzen, die aus dem 13. Community-Wide Experiment on the Critical Assessment of Techniques for Protein Structure Prediction (CASP13) und der Continuous Automated Model Evaluation (CAMEO) stammen, übertrifft die Methode alle zuvor beschriebenen Methoden zur Strukturvorhersage. Obwohl es vollständig auf nativen Proteinen trainiert wurde, weist das Netzwerk konstant höhere Wahrscheinlichkeiten für de novo-Design-Proteine zu, identifiziert die entscheidenden, die Faltung bestimmenden Reste und liefert ein unabhängiges quantitatives Maß für die "Idealität" einer Proteinstruktur. Die Methode verspricht nützlich zu sein für ein breites Spektrum von Problemen der Proteinstrukturvorhersage und -gestaltung.
Yang et al. (Thu,) untersuchten diese Frage.