Применение многомерной квантильной функции в задаче пептид-белок докинга

Abstract

Настоящая работа посвящена исследованию применения стохастических эволюционных алгоритмов оптимизации к задаче пептид-белок докинга. В статье продемонстрированы основные положения, сводящие докинг к задаче непрерывной глобальной оптимизации. Представлены основные особенности рассматриваемой задачи и возникающие трудности применения эволюционных алгоритмов оптимизации. Предложен способ применения эволюционных алгоритмов, включающий использование эмпирической квантильной функции. Приведено краткое «рекурсивное» определение структуры многомерной квантильной функции с использованием одномерного квантильного преобразования. Представлен сеточный подход применения квантильной функции и указаны его недостатки. Предложен детерминированный алгоритм построения выборки, приведена схема его распараллеливания и получаемое ускорение. Для квантильной функции описана схема использования параллельных вычислений, включающая вычисления на графических ускорителях. Предложено несколько способов параллелизации с использованием выборки в явном виде. Продемонстрирована их производительность в зависимости от размера выборки. Представлены результаты докинга с использованием эволюционного алгоритма и его модификации с применением квантильной функции. Выполнено сравнение с актуальным методом докинга в рамках одного силового поля. Проведен анализ результатов вычислительных экспериментов. The paper presents an exploration of using evolutionary optimization algorithms in protein-peptide docking. The main assumptions that reduce docking to the continuous global optimization problem are described. Some special features of the given problem and the difficulties of using evolutionary algorithms are discussed. The paper provides a way of using evolutionary optimization algorithms based on using empirical quantile function. The multivariate quantile function structure is defined recursively using univariate quantile transform. The grid-based approach of using quantile function is presented. The disadvantages of this approach are indicated. The deterministic sampling algorithm is proposed. The used scheme of parallel sampling and the resulting speed-up are described. The GPU-accelerated approach for quantile function evaluation is presented. This paper provides multiple GPU-based ways which use a sample in explicit form. Their speed-up depending on sample size is shown. The paper presents the results of docking using an evolutionary algorithm and its quantile-function-based modification. The comparison with the relevant docking method within a particular force-field is made. The results of the experiments are analyzed.