Kollektif değişkenlerin derin öğrenmesi için otokodlayıcıların hiperparametreoptimizasyonu

Proteinlerin konformasyon şekillerini anlamak, ilaç keşif çalışmalarında proteinlerin etki mekanizmasını çözümlemek için gereklidir. Moleküler dinamik (MD) simülasyonları, protein dinamiği gerçekçi simülasyonunu mümkün kılmıştır. Ancak, geniş MD veri setlerini işlemenin yüksek hesaplama gereksinimleri, etkili boyut indirgeme tekniklerini zorunlu kılmaktadır. Bu amaçla ilgili tez çalışmasında, MurD ve adenozin kinaz (AdK) proteinlerinin MD simülasyonlarından kollektif değişkenlerin (protein hareketlerinin indirgenmiş temsilleri) çıkarılması için yarı denetimli bir otokodlayıcı (SAE) uygulanmıştır. Bu model, geleneksel otokodlayıcıya göre, protein dinamiklerini yeniden oluşturmada daha iyi sonuçlar elde ederek önemli ölçüde üstün performans göstermiştir. Araştırma, genetik algoritma kullanılarak yarı denetimli otokodlayıcı mimarisinin optimizasyonunu da keşfetmiş ve elde edilen kollektif değişkenlerin kalitesini artırmıştır. Cα atomu koordinatları ve dihedral açıları gibi özelliklere odaklanarak ve modelin hiperparametrelerini ayarlayarak, proteinler içindeki esas hareketleri yakalama kabiliyetimizi ilerletmiştir. Ayrıca, yarı denetimli yaklaşım, özellikle fonksiyonel geçişler için kritik olan MurD'nin C-terminal bölgesi gibi yüksek derecede hareketli protein bölgelerini ele almakta önemli bir iyileşme göstermiştir. Bu bulgular, biyoinformatikte makine öğreniminin simülasyon veri analizini geliştirme potansiyelini ortaya koymaktadır.