Algorytm głębokiego uczenia ma na celu przyspieszenie inżynierii białek

Białka są maszynami molekularnymi wszystkich żywych komórek i zostały wykorzystane w wielu zastosowaniach, w tym w terapiach przemysłowych i katalizatorach. Aby przezwyciężyć ograniczenia naturalnie występujących białek, inżynierię białek stosuje się w celu poprawy właściwości białek, takich jak stabilność i funkcja. W nowym badaniu naukowcy demonstrują algorytm uczenia maszynowego, który przyspiesza proces inżynierii białek. Badanie zostało opublikowane w czasopiśmie Połączenia z naturą.

Algorytmy uczenia maszynowego pomagają w Inżynieria białek Zmniejszając obciążenie eksperymentalne metodami, takimi jak ukierunkowana ewolucja, która obejmuje wiele rund mutacji i Przesiewanie o wysokiej przepustowości. Działają poprzez symulację i przewidywanie dopasowania wszystkich możliwych sekwencji białko docelowe Po treningu to białko Bazy danych sekwencji.

Chociaż istnieje wiele algorytmów uczenia maszynowego, niewiele z nich obejmuje historię ewolucyjną białka docelowego. Tu właśnie znajduje się ECNet (Zintegrowany Kontekst Ewolucyjny) sieć neuronowa), a algorytm głębokiego uczenia, Wejść.

powiedział Stephen L. Miller, profesor Huimin Zhao na wydziale Inżynierii Chemicznej i Biologicznej Molekularnej (BSD Leader/CABBI/CGD/GSE/MMG), który jest również dyrektorem finansowanego przez NSF Instytutu Laboratorium Wytwarzania Molekułów. Następnie zbieramy te informacje i wykorzystujemy ramy głębokiego uczenia się, aby dowiedzieć się, jakie mutacje są ważne dla funkcji białka docelowego.

W badaniu referencyjnym naukowcy wykazali wyższość ECNet nad istniejącymi metodami w kilku zbiorach danych o głębokich mutacjach. Jako kontynuację wykorzystano ECNet do zaprojektowania TEM-1 β-laktamazy – enzymu nadającego oporność na antybiotyki β-laktamowe – oraz do zidentyfikowania wariantów, które poprawiły sprawność, a tym samym były bardziej oporne na ampicylinę.

Ponadto w ramach analizy ECNet nadał priorytet nowym i wysokim poziomom mutacji. Posiadanie narzędzia obliczeniowego, które może skutecznie przewidywać interakcje na wysokim poziomie, może zmniejszyć wysiłki eksperymentalne, powiedział Zhao.

„Łączymy wszystkie białka w bazie danych z konkretną historią ewolucyjną białka docelowego, aby poprawić wydajność przewidywania” – powiedział Zhao. „Następnie możemy wykorzystać mutanty, które stworzyliśmy na podstawie naszych eksperymentów, aby ulepszyć i wyszkolić model algorytm Jest to jeszcze praca w toku, ale jest to kompleksowe udoskonalenie tego, co jest już znane w literaturze.”

Zhao powiedział, że naukowcy wykorzystują obecnie ECNet do opracowywania katalizatorów enzymatycznych o zwiększonej selektywności.

Badanie to było wspólnym wysiłkiem profesora informatyki Jianpinga (CABBI). Inni autorzy badania to Yunnan Lu, Guangd Jiang, Tianhao Yu, Yang Liu, Lam Fu, Hantian Ding, Yufeng Su i Wesley Wei Qian.