Исследование факторов, определяющих эффективность машинного обучения при прогнозировании приспособленности белков

Машинное обучение (МО) произвело революцию в биологии белков, позволив решить давние задачи, связанные со сворачиванием белков, генерацией каркасов и конструированием функций. Различные архитектуры продемонстрировали высокую эффективность в задачах обучения с учителем для прогнозирования приспособленности белков. Однако в отсутствие рациональных подходов к оценке того, какие архитектуры оптимальны для конкретных наборов данных и задач инженерии, выбор архитектуры остается сложным. Здесь мы предлагаем систему для исследования факторов, определяющих успешность различных архитектур МО. Используя смоделированные (модель NK) и эмпирические ландшафты приспособленности, мы оцениваем прогнозирование зависимости «последовательность—приспособленность» по шести ключевым показателям эффективности: интерполяции внутри области обучения, экстраполяции за пределы области обучения, устойчивости к увеличению эпистаза/шероховатости, способности выполнять позиционную экстраполяцию, устойчивости к разреженным обучающим данным и чувствительности к длине последовательности. Мы показываем, что архитектурные различия между алгоритмами стабильно влияют на эффективность по этим показателям как на экспериментальных, так и на теоретических ландшафтах. Кроме того, шероховатость ландшафта оказывается одним из главных факторов, определяющих точность прогнозирования зависимости «последовательность—приспособленность». Наша методология и результаты предлагают рациональную стратегию отбора экспериментальных данных, выбора моделей и их оценки, основанную на теории ландшафтов приспособленности; мы надеемся, что она будет способствовать повышению точности прогнозирования зависимости «последовательность—приспособленность» и окажет влияние на инженерный дизайн белков и прогнозирование функций вариантов.