DL-PRO: Um novo método de aprendizado profundo para avaliação da qualidade de modelos de proteínas

A previsão computacional da estrutura de proteínas é muito importante para muitas aplicações em bioinformática. No processo de previsão de estruturas de proteínas, é essencial avaliar com precisão a qualidade dos modelos gerados. Embora muitos métodos de avaliação de qualidade (QA) de único modelo tenham sido desenvolvidos, sua precisão não é alta o suficiente para a maioria das aplicações reais. Neste artigo, é proposta uma nova abordagem baseada em matriz de distâncias de átomos C-α e métodos de aprendizado de máquina para QA de único modelo e identificação de modelos semelhantes aos nativos. Diferente das funções de energia/placar e abordagens de consenso existentes, esta nova abordagem é puramente baseada em geometria. Além disso, um novo algoritmo baseado em técnicas de aprendizado profundo, chamado DL-Pro, é proposto. Para um modelo de proteína, DL-Pro utiliza sua matriz de distâncias que contém distâncias par a par entre os átomos C-α de dois resíduos no modelo, que às vezes também é chamada de mapa de contato, como uma representação independente da orientação. A partir de exemplos de treinamento de matrizes de distâncias correspondentes a bons e maus modelos, DL-Pro aprende uma rede autoencodificadora empilhada como classificador. Em experimentos com alvos selecionados da competição de Avaliação Crítica da Previsão de Estrutura (CASP), DL-Pro obteve resultados promissores, superando funções de energia/placar de última geração, incluindo OPUS-CA, DOPE, DFIRE e RW.