Key points are not available for this paper at this time.
A construção de uma estrutura de suporte que apoia um motivo desejado, conferindo função à proteína, mostra promessas para o design de vacinas e enzimas. Mas uma solução geral para este problema de suporte de motivo ainda permanece em aberto. As técnicas atuais de aprendizado de máquina para design de suportes são limitadas a suportes irrealisticamente pequenos (até 20 aminoácidos) ou têm dificuldades em produzir múltiplos suportes diversos. Propomos aprender uma distribuição sobre estruturas de esqueleto de proteína diversas e mais longas por meio de uma rede neural gráfica E(3)-equivariante. Desenvolvemos o SMCDiff para amostrar eficientemente suportes dessa distribuição condicionada a um motivo dado; nosso algoritmo é o primeiro a garantir teoricamente amostras condicionais de um modelo de difusão no limite de grande computação. Avaliamos nossos esqueletos projetados pela sua compatibilidade com as estruturas previstas pelo AlphaFold2. Mostramos que nosso método pode (1) amostrar suportes de até 80 resíduos e (2) alcançar suportes estruturalmente diversos para um motivo fixo.
Trippe et al. (Quarta-feira) estudaram esta questão.