ICML 2024 | 知识感知的强化学习优化的蛋白质定向进化方法

文章预览

定向进化是蛋白质优化的基石，是利用自然突变过程来增强蛋白质功能。现有的机器学习辅助定向进化(MLDE)方法通常依赖于数据驱动的策略，经常忽略生化领域的深刻领域知识。 在本文中，我们为 MLDE 引入了一种 新的知识感知强化语言模型 (KnowRLM) 。构建氨基酸知识图(AAKG)来表示氨基酸之间复杂的生化关系。我们进一步提出了一种基于蛋白质语言模型 (PLM) 的策略网络，该网络通过使用动态滑动窗口机制在 AAKG 上优先随机游走迭代地对突变体进行采样。对新的突变体进行主动采样，以微调适应度预测器作为奖励模型，为知识感知策略提供反馈。最后，我们以主动学习方法优化整个系统，该方法模拟实践中的生物设置。 KnowRLM 的优势在于它能够利用来自知识图谱的上下文氨基酸信息，从而从蛋白质序列的统计模式和氨基酸的生化特性中获得优势。大 ………………………………