ICMLMay, 2024
在潜空间中使用强化学习进行蛋白质适应性景观的稳健优化
Robust Optimization in Protein Fitness Landscapes Using Reinforcement Learning in Latent Space
Minji Lee, Luiz Felipe Vecchietti, Hyunkyu Jung, Hyun Joo Ro, Meeyoung Cha...
TL;DR蛋白质是在自然界中负责不同功能的复杂分子。通过使用计算方法进行蛋白质优化仍然具有挑战性，特别是在低适应性序列的情况下。本文提出了一种名为 LatProtRL 的优化方法，它能够有效地遍历由大型蛋白质语言模型学习的潜在空间，通过强化学习在潜在空间中直接建模为马尔可夫决策过程以避免局部最优解。通过在两个重要的适应性优化任务上评估我们的方法，结果表明它能够达到与基线方法相当或更优的适应性。我们的发现和体外评估表明生成的序列可以达到高适应性区域，暗示了 LatProtRL 在实验室控制环路场景中具有巨大的潜力。