gr Predictor: Ein Deep Learning-Modell zur Vorhersage der Hydrationsstrukturen um Proteine

Zu den Faktoren, die biologische Prozesse wie die Protein-Faltung und die Ligandenbindung beeinflussen, gehört die Hydration, die durch eine dreidimensionale Verteilung von Wassermolekülen um das Protein dargestellt wird und entscheidend ist. Die typischen Methoden zur Berechnung der Verteilungsfunktionen, einschließlich molekulardynamischer Simulationen und der Theorie des dreidimensionalen Referenz-Interaktionsstellenmodells (3D-RISM), erfordern eine lange Berechnungszeit von mehreren Stunden bis zu mehreren zehn Stunden. Hier schlagen wir ein Deep Learning (DL)-Modell vor, das schnell die Verteilungsfunktionen um Proteine schätzt, die mit Hilfe der 3D-RISM-Theorie aus der dreidimensionalen Struktur des Proteins gewonnen werden. Die mit unserem DL-Modell vorhergesagten Verteilungsfunktionen stimmen gut mit denen überein, die mit der 3D-RISM-Theorie erhalten wurden. Insbesondere der Bestimmtheitsmaß zwischen der von dem DL-Modell erhaltenen Verteilungsfunktion und der mit der 3D-RISM-Theorie erhaltenen beträgt etwa 0,98. Darüber hinaus wird die Vorhersage durch das DL-Modell unter Verwendung einer Grafikkarte in weniger als 1 Minute abgeschlossen, was mehr als 2 Größenordnungen schneller ist als die Berechnungszeit der 3D-RISM-Theorie. Die Position der Wassermoleküle um das Protein wurde basierend auf der von unserem DL-Modell erhaltenen Verteilungsfunktion geschätzt, und die Position der von unserem DL-Modell geschätzten Wassermoleküle stimmte gut mit der der mit der 3D-RISM-Theorie und der kristallographischen Wassermoleküle überein. Daher bietet unser DL-Modell einen praktischen und effizienten Weg zur Berechnung der dreidimensionalen Wassermolekülverteilungsfunktionen und zur Schätzung der Position der Wassermoleküle um das Protein. Das Programm mit dem Namen "gr Predictor" steht unter der GNU General Public License von https://github.com/YoshidomeGroup-Hydration/gr-predictor zur Verfügung.