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

Мы представляем MoCHI — инструмент для подгонки интерпретируемых моделей с использованием данных глубокого мутационного скрининга. MoCHI позволяет выводить изменения свободной энергии, а также члены взаимодействия (энергетические связи) для заданных биофизических моделей, в том числе на основе мультимодальных фенотипических данных. Если заданная пользователем модель недоступна, по данным можно оценить глобальные нелинейности (эпистаз). MoCHI также использует ансамблевый эпистаз, усреднённый по генетическому фону, для построения разреженных моделей, способных учитывать эпистатические члены высших порядков. MoCHI свободно доступен в виде пакета Python (https://github.com/lehner-lab/MoCHI), использующего фреймворк машинного обучения PyTorch, и позволяет проводить биофизические измерения в больших масштабах, включая построение аллостерических карт белков.