Intégration profonde et alignement des séquences de protéines Google

【Titre】Deep embedding and alignment of protein sequences

【L'équipe d'auteurs】Felipe Llinares-L´opez, Quentin Berthet, Mathieu Blondel, Olivier Teboul, Jean-Philippe Vert

【Date de publication】2021/07/01

【Machine Structure】Google

【Liens vers les articles】https://doi.org/10.1101/2021.11.15.468653

【Liens de code】https://github.com/google-research/google-research/tree/master/dedal 

L'alignement des séquences protéiques est un élément clé de la plupart des méthodes bioinformatiques d'étude de la structure et de la fonction des protéines.Et pourtant,L'alignement des séquences très diversifiées reste une tâche ardue,Les algorithmes actuels sont souvent mal exécutés,Il en résulte des imperfections dans l'annotation de nombreuses protéines.Cet article tire parti des derniers développements de l'apprentissage profond dans la modélisation linguistique et la programmation différentielle,J'ai proposéDEDAL,Un modèle flexible pour l'alignement des séquences protéiques et la détection des homologues.DEDALEst un modèle basé sur la pré - Formation,Il apprend à organiser les séquences en observant les séquences protéiques originales et les grands ensembles de données correctement disposés.Une fois formé,Cet article montre queDEDAL Amélioration de la précision des comparaisons par rapport aux méthodes existantes sur les homologues distants 2-3X, Et mieux différencier les homologues distants des séquences qui ne sont pas liées à l'évolution , Des solutions ont été proposées pour améliorer de nombreuses tâches en aval en génomique structurelle et fonctionnelle qui dépendent de l'alignement des séquences .

L'image ci - dessus montreDEDAL（Deep Embedding and Differentiable ALignment）Aperçu général. Il est basé sur la norme SWAu - dessus de l'algorithme, C'est un SWVariantes de l'algorithme. .Il est efficace pour trouver le meilleur alignement entre deux séquences , Mais offre une flexibilité SW Paramétrage de la fonction de notation utilisée par l'algorithme , Pour tenir compte de chaque paire de séquences et de chaque position dans chaque séquence .DEDAL En exécutant des paires de séquences avec des alignements connus et un grand ensemble de séquences protéiques originales SW Algorithme d'alignement local et paramètres spécifiques （gapOuvertO,gapExtensionE, Points de remplacement S） Pour aligner les deux séquences , Ces paramètres dépendent de la séquence d'entrée , Par chaque séquence TransformerCodageTφ, Puis le paramètre Pβ, Convertir la représentation continue en SW Matrice de paramètres requise .TφEtPβ Tout dépend des paramètres φEtβ, Ces paramètres sont pré - formés à l'apprentissage d'un modèle linguistique à partir d'un grand corpus de séquences brutes au moment de l'entraînement Tφ, Paire de séquences avec alignement connu ,AdoptionSW Des variantes différentiables continues et des fonctions de perte d'alignement spécifiques pour l'optimisation de bout en bout du gradient ,Apprendre ensembleTφEtPβ.

Une fois formé,DEDAL Il en résulte une matrice de notation des écarts et des substitutions calculée spécifiquement pour chaque nouvelle paire de séquences .En outre, Les scores de dégagement et de remplacement sont contextuels ： Pour chaque paire de positions , Ils dépendent de la séquence complète à aligner . Et puis avec un standard SW L'algorithme utilise ces paramètres pour calculer la meilleure disposition .Cet article montre que,DEDAL Peut être efficacement formé sur du matériel moderne avec des accélérateurs .Une fois l'entraînement terminé,DEDALNormesSWComparé à, Amélioration de la qualité de l'alignement pour la prédiction à distance des homologues 2-3X, Et produit une fraction d'alignement qui détecte plus précisément les homologues distants .

L'image ci - dessus montre une image de Pfam-A Exemple d'alignement des séquences de deux domaines protéiques dans les graines .

a. DePfam-ABase de données Seed（Deuxième ligne）、DEDALPrévisions（Troisième ligne）EtPFASUM70 Autres prévisions matricielles （Quatrième ligne） Comparaison effectuée . Cet article montre Pfam-AGraines etDEDAL Tous les résidus des deux séquences alignées ,Mais non montréPFASUM Résidus non alignés alignés en amont et en aval de la séquence . Le résidu mis en évidence en vert correspond au résidu conservateur correctement aligné , Les résidus affichés en rouge correspondent à l'alignement prévu et Pfam-A Différences d'alignement des semences .

b. DePFASUM Fraction de substitution entre toutes les paires de résidus de la matrice de substitution .

c. ParDEDALPrévisionsSWParamètres.

 

Sur le plan technique, Cet article explore deux façons de créer un SW Aligner le module ,Besoin de " Apprendre à s'aligner " Formation en mission DEDALParamètres pour, Utilisation de techniques de lissage ou de perturbation ; Il n'y a pas de différence significative de performance entre les deux ,Et en fin de compte,DEDAL Une approche basée sur les perturbations est mise en œuvre dans le modèle . À propos de l'entraînement DEDALUne combinaison de,Les résultats de cet article, Quand cet article veut DEDAL Peut prédire un arrangement local précis ,UtiliserPfam Étendre le domaine au lieu de Pfam Les domaines sont utiles . Formation préalable à la modélisation en langage masqué DEDALHeure, Les séquences associées à des familles non distribuées " L'univers protéique "Exclusion moyenne, Provoque une légère dégradation des performances des homologues distants , Bien que l'écart de rendement par rapport au niveau de référence ne soit pas évident .

Sur la stratégie des convertisseurs d'entraînement interarmées de bout en bout et des convertisseurs de paramètres , Nous trouvons que c'est beaucoup mieux que la stratégie en deux étapes plus classique , C'est - à - dire former d'abord l'encodeur de convertisseur dans la tâche de modélisation de langage masqué , Puis en maintenant le convertisseur en place " Apprendre à s'aligner " Paramètre d'entraînement en mission .Ça veut dire, Un modèle linguistique commun ,Par exemple:ESM,Ce n'est pas assez, Il faut au moins affiner , Pour une meilleure performance d'alignement .

La figure ci - dessus montre l'application de l'apprentissage intégré dans les tâches en aval . Cet article évalue les avantages de l'intégration contextuelle en formant simplement un modèle ,Dans ce modèle,, Les coûts de remplacement sont limités en fonction uniquement des acides aminés à aligner ;C'est facile à voir., Dans cet article, nous observons une forte baisse des performances de ce modèle ,A atteint "Alignement " Les matrices de remplacement les plus performantes de .