結局、無駄に勉強しませんでした！クールなアルゴリズムと学校の公式が革新的な薬の作成にどのように役立つか

前書き

私の名前はAlexanderSadovnikovです。私は、ソフトウェア開発におけるITMOおよびJetBrainsの企業マスタープログラムの卒業生であり、BIOCADの計算生物学部門のシニアバイオインフォマティクスソフトウェア開発者でもあります。

— . : .

, , , , . - . , , . , . , , . , , , , .

, , , , .

, . , , . , , . , , . , !

. ( L1, L2, L3 H1, H2, H3). : — -! . .

. , — . .

, . , , . , , , — , . , . , .

, . , , — , . , , . . , , . , .

, , . , , . , , , , Piper, .

. , . , . , , .

, , : , . , , . .

. , . 1992 - (, , , ).

. . , . , .

, :

complexes = []

#        
for rotation in rotations: 
    #        
    for shift in shifts: 
        #      
        #      
        moved_mol2 = rotate_and_shift(mol2, rotation, shift) 

        #    ,    
        #    
        new_complex = (mol1, moved_mol2) 

        complexes.append(new_complex)

#       
complexes.sort(lambda candidate_complex: score_complex(candidate_complex)) 

. , , , . — . $$$R \cdot S$ , R — , S — . $$$R \cdot S$ $$$10^5$. .

1992 , , . .

, , , . :

$$

$$\text{cell}_{ijk} = \begin{cases} 1, & \text{ } \\ p, & \text{ } \\ 0, & \text{ }. \end{cases}$$

1 , , . $$$p$, 0 1, , , . 0 . .

. , . , , . , 1. , , , . , , .

, . , , , , .

: $$$O(N^3)$, N — , $$$O(R \cdot S \cdot N^3)$. . , . , . . : $$$O(R \cdot N^6)$. , , N, $$$10^2$.

- . ( ), $$$O(N^3 \log N)$ . , FFT. $$$O(R \cdot N^3 \cdot \log N)$, , .

- :

complexes = []

#      
grid_for_mol1 = build_grid(mol1) 

#      
fft_mol1 = fft_3d(grid_for_mol1) 

#        
for rotation in rotations: 
    #       
    rotated_mol2 = rotate(mol2, rotation) 

    #       
    grid_for_mol2 = build_grid(rotated_mol2) 

    #      
    fft_mol2 = fft_3d(rotated_mol2) 

    #    .   
    #       
    # . ,  ,     
    #        
    correlations = ifft_3d(fft_mol1 * fft_mol2) 

    #    ,    
    #    
    rotation_complexes = map(lambda shift_: (mol1, shift(rotated_mol2, shift_))) 

    #         
    #     
    complexes += list(zip(rotation_complexes, correlations)) 

#       
complexes.sort(lambda (candidate_complex, score): score) 

, . , , , .

, , , . , , .

. , , , , .

, Piper, . — , , . :

$$

$$E_{SP} = \sum_{I \in N} \sum_{j \in M} SP_{ij},$$

$$$N$ $$$M$ — , $$$SP_{ij}$ — $$$i$ $$$j$ $$$SP$.

, . , , . ( ), , .

. , Piper : DARS (Decoys as Reference State) aADARS (asymmetric Antibody DARS). aADARS , DARS — .

, . aADARS, . , . — WAASP (Widely Applicable Antibody Statistical Potential). WAASP HEDGE, , :

HEDGE,

, , , , DARS aADARS.

, ( , ). 7 , !

, . , , , . -10000 , , . 10000 , .

. , : , , . , . , , . , .

. . . RMSD (Root-Mean-Square Deviation). RMSD .

, , , , . , : , , — . , . , . , .

250 , . — , . , 10000 250, . .

. , !

, . , , . . , , . , , , (, , !). , .

, , , , , . , , : — -, , ! , - , , .

, , : . , .

-, - , . -, , , , , .

, . . , , , .

, . , . , -, , , , .

. !

: , , , , — ! . , (, , ), : , .

. , — . , . , .

, , : . . , : , , , . , .

,

, . , . : - , ( ). , , . , .

. , , , . 30 , .

, !

, .

, . . , . : - !

, , , ( , ) . , , — . , , ( !) .

, , . , , . . . , , — .