AlphaFold2

#ReadPaper #DeepLearning #Bioinfo #ProteinStructurePrediction #AlphaFold2 #Transformer

Highly accurate protein structure prediction with AlphaFold

Model Architecture

Model architecture

模型大概可以分成四个部分

  • Feature Extraction
  • Encoder
  • Decoder
  • Recycling

Feature Extraction

特征提取两部分信息

  • MSA
  • Pairing & Templates

MSA (Multi-Sequence-Alignment)

MSA提取序列在多物种中的共进化信息

  • 在基因数据库中搜索相似的氨基酸序列
    • 多序列比对
  • 得到不同氨基酸序列的特征

FeatureExtraction

Pairing & Templates

提取氨基酸之间的特征

  • 氨基酸之间的关系
  • 在结构数据库中搜索，从已知的氨基酸序列的结构中搜索得到空间信息

Encoder

Encoder Input

MSA Representation

  • s: s 行氨基酸序列
    • 第一行是人的氨基酸序列
    • 后面s-1 是从基因数据库中匹配到的不同物种的氨基酸序列
  • r: r个氨基酸
  • c: 每个氨基酸表示为长为c的向量

Encoder Input

Pair Representation

  • r: r个氨基酸
  • c: 每个氨基酸表示为长为c的向量
  • 主要用于表示氨基酸两两之间的空间信息

Evoformer Block

  • 与Transformer 不同
    • Transformer 输入的是一段序列
    • Evoformer 在这里输入的是一个二维的矩阵

a

MSA和Pair都会进入多头自注意力模块

  • 具有残差连接和在元素作用上的MLP

Pair的部分还需要加入物理上三角不等式的处理

与Transformer不同

  • 氨基酸对 (Pair Representation) 之间的信息会加入对序列的建模
    - 序列建模之后也会加入对氨基酸对的建模
    - 自注意力机制做两次
    - 因为输入是一个二维的矩阵
    a

Encoder Output

  • 输出的矩阵维度不发生变化, c发生变化

Encoder Output

Decoder

根据Encoder的输出拿到

  • Single Representation (r, c) 人氨基酸序列
    • 人类氨基酸所有的特征的表示
  • Pair Representation (r, r, c) 氨基酸对
    • 氨基酸之间的相关信息
  • Backbone frames
    • 氨基酸序列主干的空间结构

Decoder

Protein 3D Structure Prediction

记录下一个氨基酸与上一个氨基酸的相对位置

  • R基部分原子的旋转的角度
    • 欧几里得变换
    • 极性，电荷可以限制 A, B 值
  • 先预测backbone上氨基酸的相对位置
  • 再预测每个氨基酸R基上的原子的相对位置
    ProteinPrediction

Recycling

把编码器的输出和解码器的输出通过回收机制传回编码器的输入

  • 类似RNN，但是这里的梯度不反传, 只经过56层就可以计算梯度

Model architecture

Loss Function

Training

  • 特征对齐损失，用于量化模型预测的原子位置与实际原子位置之间的差异。

  • 辅助损失，它可能与多个预测任务相关，例如二级结构预测、溶剂可及性预测等。

  • 距离损失，它衡量模型预测的残基间距离与真实结构之间的误差。

Training

  • 多序列比对损失，用于确保模型预测与进化信息一致。

  • 构象损失，用于确保整体蛋白质构象的准确性。

Fine-tuning

  • 用于处理实验解析度的损失，用于在蛋白质结构中考虑到实验数据的不确定性。

  • 违反物理或生物化学约束的损失。

Training with labelled and unlabelled data

Noisy student self-distillation

先在有标号的数据集PDB里训练一个模型, 通过这个模型预测没有标号的数据形成一个大一些的数据集，然后选择置信度较高的数据，加上原来有标号的数据，训练新的模型

  • Using an approach similar to noisy student self-distillation.
  • In this procedure, we use a trained network to predict the structure of around 350,000 diverse sequences from Uniclust3036 and make a new dataset of predicted structures filtered to a high-confidence subset.
Table Of Contents
AlphaFold2
Model Architecture
Feature Extraction
MSA (Multi-Sequence-Alignment)
Pairing & Templates
Encoder
Encoder Input
Evoformer Block
Encoder Output
Decoder
Protein 3D Structure Prediction
Recycling
Loss Function
Training with labelled and unlabelled data
Noisy student self-distillation