CN119418755A 基于深度学习方法预测蛋白质Aβ42的动态结构变化方法及系统 （安徽大学）

基于深度学习方法预测蛋白质Aβ42的动态本发明提供一种基于深度学习方法预测蛋计算每个PDB的2DIR；按照功能特性区域拆分PDB；计算每个PDB的α一碳距离矩阵distancemap；根据训练好的深度学习模型预测每个区域的α碳距离矩阵distancemap；构建蛋的RMSD误差。本发明采用了一种分而治之的策略，利用2DIR预测蛋白质结构中三段不同的区2步骤7、片段合并及与三维结构比较：将优化后的三段2.根据权利要求1所述的基于深度学习方法预测蛋白质Aβ42的动态结构变化方法，其步骤2.1配置并运行分子动力学模拟以准备蛋白质的动态数据：首先通过加载适合的步骤2.2生成Hamiltonian和Dipoles文件：使用NISE软件包处理从分子动力学模拟获将结果从文本格式转换为二进制格式以方便3.根据权利要求1所述的基于深度学习方法预测蛋白质Aβ42的动态结构变化方法，其将Aβ42的PDB拆成117残基的PDB,1628残基的PDB,2742残基的PD4.根据权利要求1所述的基于深度学习方法预测蛋白质Aβ42的动态结构变化方法，其35.根据权利要求1至4任一所述的基于深度学习方法预测蛋白质Aβ42的动态结构变化预测模块，用于根据训练好的深度学习模型预测每个区域的α一碳距离矩阵distancemap；7.根据权利要求6所述的基于深度学习方法预测蛋白质Aβ42的动态结构变化系统，其步骤2.1配置并运行分子动力学模拟以准备蛋白质的动态数据：首先通过加载适合的步骤2.2生成Hamiltonian和Dipoles文件：使用NISE软件包处理从分子动力学模拟获将结果从文本格式转换为二进制格式以方便48.根据权利要求1所述的基于深度学习方法预测蛋白质Aβ42的动态结构变化系统，其将Aβ42的PDB拆成117残基的PDB,1628残基的PDB,2742残基的PD9.根据权利要求6所述的基于深度学习方法预测蛋白质Aβ42的动态结构变化系统，其10.根据权利要求6至9任一所述的基于深度学习方法预测蛋白质Aβ42的动态结构变化5[0003]阿尔兹海默症的发病机制与β_淀粉样蛋白(Aβ)的错误折叠和聚集密切相关。其大的前体蛋白(Amyloidprecursorprotein,APP镜(Cryo_EM)在研究固定结构方面非常有效，但它们在分析蛋白质的动态过程和未充分折[0005]二维红外光谱(2DIRspectroscopy)是一种高级的光谱技术，类似于更广为人知6[0007]本发明所要解决的技术问题在于目前二维红外光谱(2DIR)的解读高度依赖专家[0018]步骤2.1配置并运行分子动力学模拟[0019]步骤2.2生成Hamiltonian和Dipoles文件：使用[0020]步骤2.3运行2DIR模拟和数据转换：加载编译器和MPI库后，运行NISE软件进行7距离矩阵distancemap之间的[0034]本发明还提供一种基于深度学习方法预测蛋白质Aβ42的动态结构变化系统，包[0039]预测模块，用于根据训练好的深度学习模型预测每个区域的α一碳距离矩阵[0043]步骤2.1配置并运行分子动力学模拟[0044]步骤2.2生成Hamiltonian和Dipoles文件：使用[0045]步骤2.3运行2DIR模拟和数据转换：加载编译器和MPI库后，运行NISE软件进行8距离矩阵distancemap之间的[0062]图2为本发明实施例中基于深度学习方法预测Aβ42的三维结构的方法中深度学习[0063]图3为采用本发明实施例中方法后的部分结果展示(自上而下三幅图的RMSD分别9[0069]要从分子动力学模拟轨迹中提取每一帧的PDB文件，使用如MDAnalysis这样的例使用NISE(NonlinearInfraredSpectroscopicSimulations)软件包处理从分子动力学模拟获得的数据，以生成用于二维红外(2DIR)光谱模拟的哈密顿量(Hamiltonian)和偶合进行光谱计算。为了提高2DIR模拟的统计准确性和数据质量，这些Hamiltonian和Dipoles文件会被多次复制并合并，这样可以增加数据量并本格式转换为二进制格式以方[0077]采用分而治之的策略，将Aβ42的PDB拆成1_17残基的PDB,16_28残基的PDB,27_42光谱(2DIR)的描述符与α_碳距离矩阵distancemap之间的谱_构关系，再通过预测得到的参考文献：HellerGT,AprileFA,MichaelsTCT,etal.Small_moleculesequestrationofamyloid_βasadrugdiscoverystrategyforAlzheimer’sdisease[J].Scienceadvances,2020,6(45):eabb5924.显著增强系统的采样效率。使用GROMACS2018.3软件配合PLUMED库2.6.0_dev版本进行模[0099]初始的模拟步骤包括使用PyMOL软件生成Aβ42的线性肽构象，随后在真空中进行了1ns的动力学模拟，使得肽链的延展构象得到坍缩。此后，将该结构溶解在一个体积为取了48个初始构象进行后续分析。之后的模拟包括在278K下的NVT和NPT系综中进行500ps[0100]生产运行阶段，在NPT系综中使用Parrinello_Rahman压力计进行了长时间的模[0101]此外，本实施例还使用了CamShift软件对每个时间步长模型并为每种核类型设定一个误差参数，同时使用无信息的Jeffreys先验来处理误差参[0107]步骤2.2将大尺寸图像缩放为较小的尺寸。使[0110]SwinTransformer模型可以在像PyTorch或TensorFlow这样的深度学习框架中找[0112]而SwinTransformer能够通过其多层次结构有效提取不同尺度的特征，这对于型能够在不牺牲性能的情况下处理大规模的2DIR数据集。SwinTransformer的shifted觉Transformer模型来提取图像(或其他形式的输入数据)的初级特征。SwinTransformer[0115]特征上采样与卷积处理segmentation_h