Optimizing protein fitness using Gibbs sampling with Graph-based Smoothing

Andrew Kirjner, Jason Yim, Raman Samusevich, Tommi Jaakkola, Regina Barzilay, Ila Fiete
[MIT]

用图平滑Gibbs采样优化蛋白质适应度

  • 动机：在医学等多个领域，设计出具有更高适应性的新型蛋白质将具有革命性意义。然而，通过暴力搜索在组合数量庞大的序列空间中寻找是不可行的。以往的方法将搜索限制在参考序列的小突变半径内，但这种启发式方法严重限制了设计空间。本研究旨在消除突变距离的限制，同时实现有效的探索。

  • 方法：提出一种名为Gibbs sampling with Graph-based Smoothing (GGS)的方法，迭代地应用Gibbs梯度来提出有利的突变，使用基于图的平滑来消除导致假阳性的噪声梯度。该方法在发现高适应性蛋白质方面达到了最新水平，这些蛋白质与训练集相比有多达8个突变。

  • 优势：所提方法在发现高适应性蛋白质方面达到了最新水平，这些蛋白质与训练集相比有多达8个突变。本文研究了GFP和AA V设计问题、消融和基线，以阐明结果。


提出一种新的蛋白质适应性优化算法GGS，用GS来规范适应性景观，以及GWG采样与IE迭代抽样，以迭代方式采样有利的突变，并逐步突变向更高适应性的序列。

Code: https://github.com/kirjner/GGS. 

https://arxiv.org/abs/2307.00494 
图片
图片
图片

内容中包含的图片若涉及版权问题，请及时与我们联系删除