Применение многомерной квантильной функции в задаче пептид-белок докинга
DOI:
https://doi.org/10.14529/cmse190204Ключевые слова:
глобальная оптимизация, эволюционные алгоритмы, эмпирическая квантильная функция, докингАннотация
Настоящая работа посвящена исследованию применения стохастических эволюционных алгоритмов оптимизации к задаче пептид-белок докинга. В статье продемонстрированы основные положения, сводящие докинг к задаче непрерывной глобальной оптимизации. Представлены основные особенности рассматриваемой задачи и возникающие трудности применения эволюционных алгоритмов оптимизации. Предложен способ применения эволюционных алгоритмов, включающий использование эмпирической квантильной функции. Приведено краткое «рекурсивное» определение структуры многомерной квантильной функции с использованием одномерного квантильного преобразования. Представлен сеточный подход применения квантильной функции и указаны его недостатки. Предложен детерминированный алгоритм построения выборки, приведена схема его распараллеливания и получаемое ускорение. Для квантильной функции описана схема использования параллельных вычислений, включающая вычисления на графических ускорителях. Предложено несколько способов параллелизации с использованием выборки в явном виде. Продемонстрирована их производительность в зависимости от размера выборки. Представлены результаты докинга с использованием эволюционного алгоритма и его модификации с применением квантильной функции. Выполнено сравнение с актуальным методом докинга в рамках одного силового поля. Проведен анализ результатов вычислительных экспериментов.Библиографические ссылки
Rentzsch R., Renard B.Y. Docking Small Peptides Remains a Great Challenge: An Assessment Using AutoDock Vina. Briefings in Bioinformatics. 2015. vol. 16, no. 6. pp. 1045–1056. DOI: 10.1093/bib/bbv008.
Raveh B., London N., et al. Rosetta FlexPepDock ab-initio: Simultaneous Folding, Docking and Refinement of Peptides onto Their Receptors. PLoS ONE. 2011. vol. 6, no. 4. DOI: 10.1371/journal.pone.0018934.
Lopez-Camacho E., Garcia Godoy M.J., et al. Solving Molecular Flexible Docking Problems with Metaheuristics: A comparative study. Applied Soft Computing. 2015. DOI: 10.1016/j.asoc.2014.10.049.
Alford R.F., Leaver-Fay A., Jeliazkov R., et al. The Rosetta All-Atom Energy Function for Macromolecular Modeling and Design. 2017. DOI: 10.1101/106054.
Poluyan S.V., Ershov N.M. Parallel Evolutionary Algorithms for Solving Optimization Problems in Structural Bioinformatics. Vestnik Ufimskogo gosudarstvennogo aviatsionnogo tekhnicheskogo universiteta [Bulletin of the Ufa State Aviation Technical University]. 2017. vol. 21, no. 4(78). pp. 143–152. (in Russian)
Poluyan S., Ershov N. Parallel Evolutionary Optimization Algorithms For Peptide-Protein Docking. EPJ Web of Conferences. 2018. vol. 173. pp. 06010–06010. DOI: 10.1051/epjconf/201817306010.
Sellers M.S., Hurley M.M. XPairIt Docking Protocol for Peptide Docking and Analysis. Molecular Simulation. 2015. vol. 42. pp. 149–161. DOI: 10.1080/08927022.2015.1025267.
O’Brien G.L. The Comparison Method for Stochastic Processes. The Annals of Probability. 1975. vol. 3, no. 1. pp. 80–88. DOI: 10.1214/aop/1176996450.
Einmahl J.H.J., Mason D.M. Generalized Quantile Processes. The Annals of Statistics. 1992. vol. 20, no. 2. pp. 1062–1078. DOI: 10.1214/aos/1176348670.
Vuˇckovi´c V., Arizanovi´c B., Le Blond S. Generalized N-way Iterative Scanline Fill Algorithm for Real-Time Applications. Journal of Real-Time Image Processing. 2017. DOI: 10.1007/s11554-017-0732-1.
Heterogeneous Platform HybriLIT. Available at: http://hlit.jinr.ru/en/ (accessed: 03.11.2018).
Zhang J., Sanderson A. JADE: Adaptive Differential Evolution with Optional External Archive. IEEE Transactions on Evolutionary Computation. 2009. vol. 13, no. 5. pp. 945–958. DOI: 10.1109/TEVC.2009.2014613.
GitHub repositories. Available at: https://github.com/poluyan (accessed: 03.11.2018).
