摘要

给一串氨基酸的序列，去预测他的结构是什么样的

蛋白质的折叠问题

alphaFold精度不够

这里可以达到原子精度的预测

CASP14 精度

• 这个是什么问题
• 是不是解决了问题

模型的结果并不重要

导论

摘要故事的详细版本

在写论文的时候，可以这样写：达到了原子精度的结果

此时就是一个里程碑式的结果，换算成一个大家可以理解的概念

PDB数据集：目前为止所有了解的蛋白质的结构

模型和训练

分为三个部分

• 特征抽取
• 编码器
• 解码器

特征抽取

• MSA 多序列比对

把人、鱼、鸡相似的蛋白质拿出来比对；同一个氨基酸在不同蛋白质的表现；去基因数据库中搜索与当前人的氨基酸序列有没有相似的序列

• 氨基酸之间的关系

氨基酸之间的关系，构建一个矩阵，每一对的项是每两个氨基酸之间的关系

得到两大特征：

• 氨基酸序列特征
• 氨基酸对之间的特征

encoder

两大特征矩阵进入evoformer

不再是序列的关系，而是二维关系

输入是两个不同的张量

编码器里有48个block，用的transformer架构

编码器的输出很好的表征了每个氨基酸的关系

一块处理的是按行的序列信息、一块处理的是按列的序列信息

---

自注意力

编码器中有48个块

多头自注意力、MLP

两个特征之间存在信息交互

在MSA中按行拿出一个序列，做attention；按列

用每一行，做sigmoid，去打造一个门，0/1

对偏移：每一个氨基酸对的关系，作为一个偏移加进去，再进去softmax，这样的自注意力分数可以有关系的信息

MLP模块

做信息的提炼

解码器

重构蛋白质的结构

对每个氨基酸去预测他在3D中的位置

编码器的输出和解码器的输出，回收，传回输入，再做一次精调

回收机制就相当于把模型复制了三次，但权重还是基于前面的

---

都是相对位置

主干网络

欧几里得变换

对蛋白质的全局结构做旋转或者位移，不会影响局部的变换

进入IPA的模块，氨基酸的表示有了位置的信息

氨基酸对的信息、不断更新的序列信息、主干信息

经过8个IPA，每一次在结构中做不断的调整

慢慢地到我们要的氨基酸的形状

预测模块：做一个线性的投影层就可以得到输出

结论

在前人的基础上做10-20点改进

把所有的东西积累在一起，最后憋一个大招