भाग संख्या ३ फोल्डिंग बायो-कैलकुलेशन। श्रृंखला के घुमावों की संख्या को कैसे कम करें?

इस भाग में, हम इस बारे में बात करेंगे कि आप गणना को कम करने के लिए इस तरह से श्रृंखला घुमाव की संख्या को कैसे कम कर सकते हैं, लेकिन वांछित राज्यों में जाने की क्षमता खोए बिना।

लेकिन पहले, मैं इस क्षेत्र के विशेषज्ञों की ओर रुख करना चाहता हूं:

सबसे पहले, मैं एक संभावित गलतफहमी को दूर कर दूंगा: मैं एक शौकिया हूं, और मैं इस विषय से पेशेवर रूप से नहीं निपटता। मैंने देखा कि इस विषय में विशेषज्ञ हैं। यह अजीब है कि मैं आपके लेख नहीं पढ़ता, लेकिन आप मेरा पढ़ते हैं। मैं वास्तव में आशा करता हूं कि यह स्थिति बदल जाएगी। मैं आपके लेख पढ़ना चाहता हूं, और अधिमानतः सरल भाषा में लिखा गया हूं, और जहां आप जवाब देते हैं, और Google में एक ज्ञात दिशा में नहीं भेजते हैं। यह सिर्फ इतना है कि मेरे पास कुछ नकारात्मक अनुभव है, जब केवल कई विशेषज्ञ शुरू कर रहे थे, जो इंटरनेट पर पाए जा सकते थे, उन्होंने एक स्मार्ट उपस्थिति बनाई और शब्द या विलेख में मदद नहीं की - लेकिन उन्होंने उन्हें संकेतित दिशा में भेजा। यहां मैं अपने छोटे से अनुभव को बताने की कोशिश करता हूं - लेकिन शायद इससे किसी को शुरुआत करने में आसानी होगी।

जो लोग यहां होल करने की इच्छा रखते हैं। चलो करते हैं। मैं ऐसा शौकिया हूँ - जिनके लिए विशेषज्ञों की कंधे की पट्टियाँ बहुत कम होती हैं, और विज्ञान को ऐसी चीज़ों की पुनरावृत्ति की आवश्यकता होती है (और व्यापार गोपनीयता नहीं है, क्या यह उनके एल्गोरिदम के विवरणों को छिपाने और उनके कोड को प्रकाशित नहीं करने के लिए व्यवसाय नहीं है?), इसलिए मुझे सिर्फ बातचीत में दिलचस्पी नहीं है। लेकिन मुझे बहुत दिलचस्पी है जब वे मुझे दिखाते हैं कि मैं थोड़ा गलत कर रहा हूं, और ऐसे लोग हैं जिन्होंने वास्तव में कुछ हासिल किया है। यह वह कार्य है जिसे मैं सता रहा हूं। निर्णय लें और दिखाएं कि यह सरल है - मैं बहुत आभारी रहूंगा।

मैं 100 न्यूक्लियोटाइड तक का एक मनमाना (वास्तव में मौजूदा) प्राथमिक अनुक्रम देता हूं। मैं उन सभी हाइड्रोजन बांडों को इंगित करता हूं जिन्हें बनने की आवश्यकता है। आउटपुट पर, आप मुझे एक .pdb फ़ाइल देते हैं जिसमें तृतीयक संरचना इंगित प्राथमिक अनुक्रम से होती है और जहां सभी आवश्यक हाइड्रोजन बांड बनते हैं। कोई अन्य आवश्यकताएं नहीं।


मैं या तो यह दिखाने के लिए कहता हूं कि यह सरल या जिम्मेदार है कि इस कार्य की पुष्टि करें, एक सप्ताह (या अन्य उचित अवधि) में कहें, हल नहीं हो रहा है।

ठीक है, जबकि यह आपके लेख नहीं है और उदाहरण के लिए, अन्य दृष्टिकोणों पर, जैसे आणविक गतिशीलता, आदि, कृपया मेरे दृष्टिकोण के बारे में पढ़ें और रचनात्मक रूप से आलोचना करें, मेरे ज्ञान के साथ मदद करें, समस्या की चर्चा में भाग लें, और शायद साथ भी मिलाएं मुझे प्रयास करना है और साथ में कुछ करना है।

और फिर से मेरे दर्शकों के लिए, जो एक विशेषज्ञ नहीं है : यह मानना ​​महत्वपूर्ण है कि यह आसान है, और भौतिकी, जीव विज्ञान और जटिल गणित को जानना आवश्यक नहीं है - मुझे आशा है कि आप कार्यक्रम कर सकते हैं और यह पर्याप्त है। ऊपर, वैसे, यह कार्य है जिसे हम हल करेंगे ... लेकिन एक बार में ही नहीं। प्लसस पर - मुझे एहसास हुआ कि आप क्या पढ़ रहे हैं। लेकिन क्या सब कुछ स्पष्ट है और कोई सवाल नहीं है? अगर मैं टिप्पणियों का इंतजार कर रहा हूं, यहां तक ​​कि सबसे भोली भी। यह अनुसंधान के इस क्षेत्र को विवरण में कम से कम सरल बनाने का समय है, और इसे जटिलता के अनावश्यक टन के पीछे छिपा नहीं है।



So. आज योजना सरल है - हम जो गणना करेंगे, उनकी संख्या को यथोचित रूप से कम करना आवश्यक है। दो तरीके हैं (बिल्कुल नहीं, लेकिन मेरे साइबरनेटिक्स-ज्यामितीय दृष्टिकोण में)।

विधि संख्या 1। अपेक्षाकृत सरल। सामान्य तौर पर, यदि आप 0.1 डिग्री की सटीकता के साथ घूमते हैं, अर्थात 3600 रोटेशन विकल्प। लेकिन एक नियम के रूप में, जब एक श्रृंखला में पहले से ही कई हाइड्रोजन बांड होते हैं, तो इसमें रोटेशन की बहुत बड़ी स्वतंत्रता नहीं होती है। इसलिए, आप वर्तमान कोण you 5 डिग्री से ले सकते हैं, और फिर आपको केवल 100 विकल्पों की जांच करने की आवश्यकता है। यदि आपको 5 डिग्री से अधिक मोड़ने की आवश्यकता है, तो यह अगले पुनरावृत्ति पर होगा।

पहली विधि को एक सीमित सीमा तक लागू किया जा सकता है जब श्रृंखला में पहले से ही हाइड्रोजन बांड की एक श्रृंखला होती है, और कम या ज्यादा सही स्थिति ले ली है। यदि इसे श्रृंखला की प्रारंभिक अवस्था - लम्बी श्रृंखला पर लागू किया जाता है, तो यह विधि बहुत जल्दी स्थानीय न्यूनतम पर ले जाएगी। पहले लेख में याद रखें तस्वीर में श्रृंखला को मोड़ने के 5 चरण। तो श्रृंखला चरण 5 तक कर्ल करेगी, और फिर एक सामान्य स्थिति लेने में सक्षम नहीं होगी, एल्गोरिथ्म लूप करेगा।

विधि संख्या 2। यह तरीका रिजू दास और डेविड बेकर से प्रेरित था , जो देशी जैसे आरएनए तृतीयक संरचनाओं, कैलिफोर्निया विश्वविद्यालय, बर्कले, सीए, 2007 की स्वचालित डे नोवो भविष्यवाणी है । समय के साथ, मैंने थोड़ा सुधार किया और अब मैं बता रहा हूँ। रिजू दास ने एक दिलचस्प विचार सुझाया। एक साथ कई कोणों को घुमाना कितना फायदेमंद है ताकि इन कोणों का संयोजन फायदेमंद हो? उसने प्रकृति पर जासूसी करने का फैसला किया, और यह बहुत सही है। यहां यह वर्णित किया गया था कि परमाणु स्तर पर राइबोसोम का एक 3 डी मॉडल प्राप्त किया गया था। तो राइबोसोम में न केवल प्रोटीन होता है, बल्कि मूल रूप से, जिस प्लेटफॉर्म पर प्रोटीन बाद में रखा जाता है, उसमें दो राइबोसोमल आरएनए होते हैं। उनमें से एक 2700 न्यूक्लियोटाइड युक्त सबसे बड़ा है। यह एक बायोएक्स्पेरमेंट में प्राप्त किया गया था। रिजू दास ने इस राइबोसोम = 9 * 2700 कोणों में होने वाले कोणों का एक डेटाबेस संकलित किया है। यदि हम प्यूरीन (ए, जी) और पाइरिमिडाइन (यू, सी) के बीच अंतर करते हैं, तो हमारे पास लगभग 1,500 वेरिएंट हैं। तो फिर हम कहते हैं कि हम दो कोणों नंबर 1 और नंबर 6 के संयोजन को घुमाना चाहते हैं (संक्षेप में 16 लिखें) - हम डेटाबेस से उपयुक्त 1,500 कोण लेते हैं और घुमाते हैं। और यह आश्चर्यजनक रूप से अच्छे परिणाम देता है, हालांकि हम एक पूरी तरह से अलग आरएनए श्रृंखला को चालू करते हैं।

अगले लेख में आगे हमें तथाकथित के बारे में बात करनी होगी ऑब्जेक्टिव फंक्शन यानी कैसे मूल्यांकन करें कि हमने अच्छी पारी बनाई या नहीं । यहाँ मेरा साइबरनेटिक दृष्टिकोण कुछ क्रांतिकारी है। मैं हर जगह मिला हूं कि वे केवल श्रृंखला ऊर्जा पर आधारित हैं। या तो शारीरिक रूप से करीब संभव के रूप में गणना करना या गणितीय अनुमान लगाना।

मैं दूसरे रास्ते पर क्यों गया? पहले मैं एक स्लाइड देता हूं:



बेशक, यह कुछ हद तक अतिशयोक्तिपूर्ण है। लेकिन सच्चाई से बहुत दूर नहीं। आप श्रृंखला के दो ढांचे देखते हैं - उनके लिए ऊर्जा का अनुमान बहुत करीबी मूल्य देता है। लेकिन क्या आप देखते हैं कि संरचनाएं कैसे भिन्न हैं? एक आंकड़ा से तुरंत स्पष्ट है - जैविक रूप से अनुमानित। यही कारण है कि यहां विज़ुअलाइज़ेशन बहुत महत्वपूर्ण है, कंप्यूटर लंबे समय तक गणना कर सकता है, किसी चीज़ को "अच्छा" राज्य मान सकता है। लेकिन अगर गणना इस तरह के "जैविक रूप से गलत" स्थिति में गिर गई, तो व्यावहारिक रूप से एल्गोरिथ्म को रोकने और स्थानीय समाधान से बाहर निकलने के लिए व्यावहारिक रूप से कोई मौका नहीं है, जो सबसे खराब रूप से ऊर्जा आकलन में आगे बढ़ रहा है, लेकिन अधिक जैविक रूप से सही है। इसीलिए गेम फोल्ड इट में एक व्यक्ति के पास कंप्यूटर मशीन की तुलना में अधिक संभावना है। एक व्यक्ति देखता है, मोटे तौर पर प्रतिनिधित्व करता है कि श्रृंखला को कैसे लुढ़काया जा सकता है और वह नहीं खोजेगा जब वह देखता है कि उसने स्थानीय न्यूनतम मारा है।

यह भी ध्यान रखें कि ऊर्जा का आकलन या यहां तक ​​कि शारीरिक रूप से गणना करना काफी लंबा है, मुश्किल है - लेकिन जैविक रूप से संभव और जैविक रूप से दिवालिया होने वाली संरचना के बीच मुख्य अंतर गणना त्रुटि के भीतर है।

और यही समस्या है। यहां विशेषज्ञ शायद मेरे साथ बहस करना शुरू कर देंगे - विशिष्ट डेटा प्रदान करेंगे, होलीवर पर अपना समय बर्बाद न करें।

इसलिए, मेरे लेख में मैं लिखता हूं:

मोंटे कार्लो पद्धति का उपयोग असतत सेट से स्थिति और रोटेशन के कोण का चयन करने के लिए किया जाता है, रोटेशन किया जाता है, और ऊर्जा फ़ंक्शन के मूल्यांकन के आधार पर, यह तय किया जाता है कि क्या यह रोटेशन एक स्थिर स्थिति में योगदान देता है। यदि ऊर्जा नीचे जाती है, तो यह योगदान देता है, और फिर हम इस स्थिति से आगे बढ़ते हैं। यदि नहीं, तो बनाया गया रोटेशन रद्द कर दिया गया है। इसलिये
इस प्रकार, कई मिलियन यादृच्छिक मोड़ किए जाते हैं, जिसके बाद एक न्यूनतम ऊर्जा अनुमान के साथ तृतीयक संरचना प्राप्त की जाती है, जो संबंधित आरएनए का एक मॉडल है।

समान कंप्यूटर प्रयोगों में, नमूनाकरण विधि भिन्न हो सकती है।
ऊर्जा अनुमान कार्य के कोने और सटीकता, लेकिन खोज के सिद्धांत समान हैं। लेकिन
उपरोक्त दृष्टिकोण का उपयोग करते समय, दो महत्वपूर्ण कमियां हैं:

1. ऊर्जा आकलन कार्य अनुमानित है, जिसके मूल्य भीतर हो सकते हैं
गणना की त्रुटियां।

2. वैश्विक ऊर्जा में न्यूनतम होने के लिए एक बहुआयामी ऊर्जा सतह पर संभावना इतनी कम है कि यह विस्तृत खोज के बराबर है। इस तरह से
मोंटे कार्लो विधि को उन घुमावों को चुनने के लिए लागू करना चाहिए जिन्हें वास्तव में जांचना चाहिए
पूर्ण खोज केवल यादृच्छिक क्रम में की जाती है। और यह एनपी के लिए कोई मतलब नहीं है-
पूरा कार्य।

पहला बिंदु जिसका मैंने ऊपर चित्रण किया है। शुद्ध मोंटे कार्लो पद्धति की विफलता, साथ ही साथ एल्गोरिदम जिसमें समान होते हैं - उदाहरण के लिए, आनुवंशिक एल्गोरिदम, क्यू-लर्निंग, ग्रेडिएंट सर्च आदि। - हम वसीयत पर चर्चा करेंगे - यह मेरे लिए कोई केंद्रीय विषय नहीं है। लेकिन मुझे लगता है कि अगर आपको लगता है कि आप समझेंगे कि गलती से एक क्षेत्र में एक राज्य का चयन करना जिसमें केवल एक फांक है, तो आप 99% प्रतिशत में छोटे पोखर में गिर जाएंगे, और आपको इसमें फूट नहीं मिलेगा। और यादृच्छिक विकल्प द्वारा एक दरार को खोजने के लिए - आपको कई बार चरणों के रूप में और पूर्ण खोज में एक विकल्प बनाने की आवश्यकता है। और फिर एक बुरे खेल के साथ एक अच्छे चेहरे का निर्माण क्यों?

अगले भाग में मैं वर्णन करूंगा कि मैं सर्किट की स्थिति का आकलन करने का प्रस्ताव कैसे करता हूं, और कैसे खोज करना है, अर्थात्। आइए हम खोज एल्गोरिथ्म को स्वयं देखें।