跳到正文
bioRxiv· Powers, A. C.; Renfrew, P. D.; Hosseinzadeh, P.; Mulligan, V. K.·· 来源仅提供日期AI 评分58

CyclicCAE 构象自编码器加速异手性大环构象采样

CyclicCAE: A Conformational Autoencoder for Efficient Heterochiral Macrocyclic Conformational Sampling

AI 导读

研究团队提出构象自编码器 CyclicCAE,用于快速生成异手性大环肽的能量稳定主链构象和可设计骨架。由于缺乏大型大环数据集,团队用基于物理的模拟在计算机中构建训练集,并显示该方法能捕捉 Protein Data Bank 中大环可及的构象,较 Rosetta GeneralizedKIC 有明显速度优势。

预印本 · biorxiv · 10.1101/2025.02.21.639569

本站摘要基于收录版本 v4(2026-10-26),原始摘要与 AI 导读固定保留。

来源最近更新: · 来源 v4

摘要 · AI 翻译

肽类大环化合物是一类极具前景的治疗药物。引入异手性和非天然氨基酸能够探索远为丰富的折叠方式与功能,但也给理性设计带来了挑战——尤其是在采样合理的主链构象方面。我们开发了一种名为 CyclicCAE 的构象自编码器,用于快速生成能量上有利的大环骨架,以支持异手性设计与结构预测。鉴于目前缺乏大规模可用的大环化合物数据集,我们采用基于物理的模拟方法以计算机模拟(in silico)方式构建了一个自定义数据集。在此数据集上训练后,CyclicCAE 生成能量稳定的主链构象和可设计骨架的速度超过了当前最先进的方法——Rosetta 软件套件中的广义运动学闭合(Generalized Kinetic Closure,GeneralizedKIC)方法。我们证明,尽管 CyclicCAE 完全基于合成数据训练,它仍能准确捕捉蛋白质数据库(Protein Data Bank)中肽类大环化合物所呈现的可及构象,并且相比 GeneralizedKIC 具有显著的速度优势。我们还展示了 CyclicCAE 支持用户在孤立状态或与靶标结合的场景下进行能量最小化,通过马尔可夫链蒙特卡洛采样生成结构相似或多样化的输出,以及在固定基序条件下进行补全(inpainting)。该方法以自由开源许可发布,将加速大环化合物设计流程,推动肽类治疗药物的开发。

来源:bioRxiv · biorxiv.org