MoCHI: нейронные сети для подгонки интерпретируемых моделей и количественной оценки энергий, энергетических взаимодействий, эпистаза и аллостерии по данным глубокого мутационного сканирования

Массивно-параллельный характер глубокого мутационного сканирования (deep mutational scanning, DMS) позволяет количественно оценивать фенотипические эффекты тысяч воздействий в рамках одного эксперимента. Мы разработали MoCHI — программный инструмент, позволяющий параметризовать модели произвольной сложности с использованием данных DMS. MoCHI упрощает построение пользовательских моделей на основе измерений эффектов мутантов для любого числа фенотипов. Инструмент позволяет оценивать изменения свободной энергии, а также попарные и взаимодействия более высоких порядков (энергетические взаимодействия) для заданных биофизических моделей. Если подходящая механистическая модель, заданная пользователем, отсутствует, глобальные нелинейности (эпистаз) можно оценивать непосредственно по данным. MoCHI также развивает и использует теорию ансамблевого (или усреднённого по генетическому фону) эпистаза для построения разреженных прогностических моделей, которые могут включать эпистатические члены более высоких порядков и предоставляют информацию о генетической архитектуре лежащей в основе биологической системы. Сочетание DMS и MoCHI позволяет проводить биофизические измерения в масштабах, включая построение полных аллостерических карт белков. MoCHI находится в свободном доступе (https://github.com/lehner-lab/MoCHI) и реализован в виде простого в использовании пакета Python, основанного на фреймворке машинного обучения PyTorch.