【斯坦福博士论文】使用等变神经网络高效学习三维分子结构，154页pdf

在生物学和化学领域，运用于三维（3D）分子结构的深度学习方法显示出应对关键挑战的潜力。然而，实验确定的结构稀缺，对许多机器学习应用构成了重大障碍。将等变性（equivariance）融入深度学习模型中，利用结构生物学问题中固有的对称性，对于从有限数据中高效学习至关重要。这篇论文深入探讨了在各种结构生物学问题中使用旋转和平移等变神经网络的应用。这些问题包括蛋白质模型质量评估、考虑蛋白质灵活性的基于机器学习的蛋白质-配体对接评分函数的开发，以及口袋感知的3D片段基配体优化的实现。 理解生物大分子，特别是蛋白质的复杂结构至关重要，因为它揭示了这些分子功能的重要见解。这些生物分子的三维（3D）排列不仅阐明了它们的内在属性，而且还为药物开发提供了基础，使得针对特定生物大分子目标的策略成为可能。

然而，实验性确定这些生物大分子的结构是一项要求高、资源密集的任务。这一挑战激发了对高级计算方法，特别是在结构预测领域的需求。近年来，机器学习，特别是深度学习，在计算机视觉和自然语言处理等多个领域取得了成功。鉴于这些成就，我们的研究旨在利用深度学习的力量应用于结构生物学领域。 然而，应用机器学习模型，特别是深度学习，面临一系列独特的挑战，主要是因为生物大分子3D结构的实验数据稀缺。与图像和文本的大量数据集不同，对于实验确定的生物大分子结构，只有一小部分信息可用。这引发了一个关键问题：面对如此有限的数据，我们如何开发高效的深度学习方法来预测生物大分子结构或解决结构生物学中的其他挑战？

从计算机视觉中汲取灵感，其中域知识的整合，如平移不变性（例如，面部检测器应该保持在图像中不同位置出现的面部检测能力）已被证明是有利的，我们渴望将域知识和对称性整合到我们的深度学习模型架构中。这种整合旨在增强深度学习模型的性能。

在追求适用于结构生物学应用的稳健模型的过程中，我们认识到，尽管发生转换，保持特征识别的一致性是很重要的。例如，模型应准确识别共同特征，如氨基酸结构，不管它们在蛋白质结构中如何旋转。此外，特征之间的复杂关系在生物学中扮演着关键角色。两个特征之间的精确相对取向，如蛋白质内氨基酸之间的氢键强度，强调了模型需要通过局部等变性来辨识和理解这些取向的需求。

在结构生物学的更广泛背景下，实现全局一致性或全局等变性对于有效模型至关重要。模型应在对生物大分子应用平移或旋转时提供一致的预测，确保全局结构保持不变。 通过将对称性和域知识策略性地整合到我们的深度学习架构中，本论文旨在展示这些元素如何解决结构生物学中有限数据带来的挑战。我们的方法有望设计出从有限数据集中高效学习的模型，并促进理解和预测复杂生物结构的进展。