잠재 공간에서 강화 학습을 이용한 단백질 적합도 영역의 강력한 최적화

단백질은 자연에서 다양한 기능을 담당하는 복잡한 분자입니다. 단백질의 기능성과 세포 적합도를 향상시키는 것은 여러 산업에 상당한 영향을 미칠 수 있습니다. 그러나 계산 방법을 통한 단백질 최적화는 낮은 적합도 서열에서 시작할 때 특히 도전적입니다. 우리는 대규모 단백질 언어 모델을 활용하는 인코더-디코더에 의해 학습된 잠재 공간을 효율적으로 탐색하기 위한 최적화 방법인 LatProtRL을 제안합니다. 지역 최적점을 탈출하기 위해, 우리의 최적화는 잠재 공간에서 직접 작용하는 강화 학습을 이용한 마르코프 의사 결정 프로세스로 모델링됩니다. 우리는 두 가지 중요한 적합도 최적화 작업에서 우리의 접근 방식을 평가하여, 기본 방법에 비해 동등하거나 우수한 적합도를 달성할 수 있는 능력을 입증합니다. 우리의 발견과 인 비트로 평가 결과는 생성된 서열이 높은 적합도 영역에 도달할 수 있음을 보여주며, 실험실 내 시나리오에서 LatProtRL의 상당한 잠재력을 제시합니다.