동기: 높은 정확도로 단백질 구조를 예측하는 것은 생명과학 전반과 산업계를 아우르는 커뮤니티에 있어 중요한 도전 과제이다. AlphaFold2와 같은 딥 뉴럴 네트워크의 발전에도 불구하고, 단백질 골격(backbone) 구조뿐 아니라 측쇄(side-chain)와 같은 세부 구조의 품질을 더 향상시킬 필요가 있다. 결과: AlphaFold2의 성과를 바탕으로 우리가 수행한 수정 사항에는 측쇄 토션 각(side-chain torsion angles)과 프레임 정렬 점오차(frame aligned point error)의 손실을 변경하는 것, 측쇄 신뢰도(side chain confidence) 및 2차 구조 예측에 대한 손실 함수를 추가하는 것, 그리고 템플릿 특징 생성(template feature generation)을 조건부 랜덤 필드(conditional random fields)에 기반한 새로운 정렬 정렬(alignment) 방법으로 대체하는 것이 포함된다. 또한 distogram과 측쇄 예측에서 얻은 퍼텐셜 에너지를 통합하는 분자역학 에너지 함수(molecular mechanics energy function)를 사용하여 형태공간(Conformational space) 어닐링(conformational space annealing)으로 재최적화(re-optimization)를 수행하였다. 단백질 및 도메인 모델링을 위한 CASP15 맹검 시험(single protein and domain modeling; 109개 도메인)에서 DeepFold는 132개 그룹 중 4위를 차지했으며, 골격, 측쇄 및 Molprobity 측면에서 구조의 세부 사항에 대한 개선을 보였다. 단백질 골격 정확도와 관련하여 DeepFold는 GDT-TS 점수 중앙값 88.64를 달성하였고, 이는 AlphaFold2의 85.88과 비교된다. TBM-easy/hard 타깃(target)에서는 DeepFold가 GDT-TS에 대한 Z-score를 기준으로 최상위에 랭크되었다. 이는 고도로 정확한 구조를 요구하는 구조생물학 커뮤니티에 대한 DeepFold의 실용적 가치를 보여준다. 또한 공개적으로 이용 가능한 구조를 가진 39개 타깃에서 55개 도메인을 대상으로 수행한 철저한 분석 결과에 따르면, DeepFold는 상위 성능 그룹들 중에서 측쇄 정확도와 Molprobity 점수에서 우수함을 보인다. 제공 및 구현: DeepFold 도구는 https://github.com/newtonjoo/deepfold 에서 제공되는 오픈 소스 소프트웨어이다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.