南加州大學的研究人員開發(fā)了一種新的人工智能模型，并發(fā)表在《自然方法》雜志上，該模型可以準確預測不同類型蛋白質的不同蛋白質如何與DNA結合，這一技術進步有望減少開發(fā)新藥和其他醫(yī)學治療所需的時間。
該工具被稱為結合特異性深度預測器(DeepPBS)，是一種幾何深度學習模型，旨在從蛋白質- dna復合物結構中預測蛋白質- dna結合特異性。DeepPBS允許科學家和研究人員將蛋白質- dna復合物的數(shù)據(jù)結構輸入到在線計算工具中。
蛋白質- DNA復合物的結構包含通常與單個DNA序列結合的蛋白質。為了理解基因調控，重要的是能夠獲得蛋白質與任何DNA序列或基因組區(qū)域的結合特異性，”南加州大學多恩塞夫文理學院定量和計算生物學教授兼創(chuàng)始主席Remo Rohs說。deepppbs是一種人工智能工具，取代了高通量測序或結構生物學實驗來揭示蛋白質- dna結合特異性的需要。”
人工智能分析、預測蛋白質-DNA結構
DeepPBS采用幾何深度學習模型，這是一種使用幾何結構分析數(shù)據(jù)的機器學習方法。人工智能工具旨在捕獲蛋白質- dna的化學性質和幾何背景，以預測結合特異性。
利用這些數(shù)據(jù)，DeepPBS生成空間圖形，說明蛋白質結構以及蛋白質和DNA表示之間的關系。DeepPBS還可以預測不同蛋白質家族的結合特異性，不像許多現(xiàn)有的方法僅限于一個蛋白質家族。
“對于研究人員來說，重要的是要有一種方法可以普遍適用于所有蛋白質，而不僅僅局限于一個充分研究的蛋白質家族。這種方法也允許我們設計新的蛋白質，”Rohs說。
蛋白質結構預測的重大進展
自從DeepMind的AlphaFold出現(xiàn)以來，蛋白質結構預測領域發(fā)展迅速，AlphaFold可以根據(jù)序列預測蛋白質結構。這些工具增加了可供科學家和研究人員分析的結構數(shù)據(jù)。DeepPBS與結構預測方法一起工作，用于預測沒有可用實驗結構的蛋白質的特異性。
Rohs表示，DeepPBS的應用非常廣泛。這種新的研究方法可能會加速設計針對癌細胞特定突變的新藥和治療方法，并在合成生物學和RNA研究中帶來新的發(fā)現(xiàn)和應用。
關于研究:除了Rohs，其他研究作者還包括南加州大學的Raktim Mitra;南加州大學的李金森;加州大學舊金山分校的Jared sgenorf;南加州大學蔣義北;南加州大學的阿里·科恩;南加州大學的趙祖培;以及華盛頓大學的卡梅隆·格拉斯科克。
（文章來源：www.ebiotrade.com/newsf/2024-8/20240809054437524.htm） | 
