Unsupervised Learning for Tertiary Structure Prediction of Protein Molecules: Systematic Review

Dieses Kapitel bietet einen systematischen Überblick über unbeaufsichtigte Lernmethoden zur Vorhersage der tertiären Strukturen von Proteinmolekülen. Es untersucht verschiedene Clustertechniken, die verwendet werden, um Proteinstrukturen in strukturelle Zustände zu gliedern, die für das Verständnis ihres dynamischen Verhaltens von entscheidender Bedeutung sind. Der Artikel kategorisiert bestehende Methoden basierend auf Repräsentation, Annäherungsmaßnahmen, Clustertechniken und Bewertungsmetriken und bietet einen umfassenden Überblick über das Feld. Schlüsselthemen sind die Darstellung von Proteinmolekularstrukturen anhand kartesischer Koordinaten, Winkeln, formbasierten Merkmalen und Kontaktkarten. In diesem Kapitel werden auch Proximity-Messgrößen wie RMSD, GDT-TS und TM-Score diskutiert und verschiedene Clustertechniken wie partitionale, hierarchische, graphenbasierte und faktorisierungsbasierte Methoden untersucht. Darüber hinaus werden verschiedene Methoden verglichen und ihre Anwendungen in der Computerbiologie beleuchtet, von der Erfassung konformativer Veränderungen bis hin zur Erkennung von Makrozuständen in Simulationen der Molekulardynamik. Der Artikel schließt mit der Identifizierung zukünftiger Forschungsrichtungen und der Notwendigkeit standardisierter Benchmarks und Metriken, um einen direkten Vergleich bestehender Methoden zu ermöglichen.