Deep learning-algoritme is bedoeld om eiwittechnologie te versnellen

Eiwitten zijn de moleculaire machines van alle levende cellen en zijn gebruikt voor gebruik in vele toepassingen, waaronder industriële therapieën en katalysatoren. Om de beperkingen van natuurlijk voorkomende eiwitten te overwinnen, wordt eiwitmanipulatie gebruikt om eiwiteigenschappen zoals stabiliteit en functie te verbeteren. In een nieuwe studie demonstreren onderzoekers een machine learning-algoritme dat het proces van eiwittechnologie versnelt. De studie werd gerapporteerd in het tijdschrift Verbindingen met de natuur.

Algoritmen voor machinaal leren helpen bij Eiwittechnologie Door de experimentele last van methoden zoals gerichte evolutie te verminderen, die meerdere mutatierondes omvat en Screening met hoge doorvoer. Ze werken door de pasvorm van alle mogelijke reeksen van te simuleren en te voorspellen doel eiwit Na het trainen eiwit Sequentiedatabases.

Hoewel er veel algoritmen voor machine learning zijn, bevatten er maar weinig de evolutionaire geschiedenis van het doeleiwit. Dit is waar ECNet (Integrated Evolutionary Context) neuraal netwerk), een algoritme voor diep leren, Binnenkomen.

zei Stephen L. Miller, Huimin Zhao Chair Professor of Chemical and Biological Molecular Engineering (BSD Leader/CABBI/CGD/GSE/MMG), die ook directeur is van het door NSF gefinancierde Molecule Maker Laboratory Institute. Vervolgens verzamelen we deze informatie en gebruiken we een diepgaand leerraamwerk om erachter te komen wat voor soort mutaties belangrijk zijn voor de functie van het doeleiwit.

In een referentiestudie toonden de onderzoekers de superioriteit van ECNet ten opzichte van bestaande methoden aan in verschillende datasets met diepe mutaties. Als follow-up werd ECNet gebruikt om TEM-1 β-lactamase te ontwikkelen – een enzym dat resistentie verleent tegen β-lactam-antibiotica – en om varianten te identificeren die de conditie verbeterden en dus resistenter waren tegen ampicilline.

Bovendien gaf ECNet prioriteit aan nieuwe en hoogwaardige mutaties in de analyse. Het hebben van een computationeel hulpmiddel dat met succes interacties op hoog niveau kan voorspellen, kan experimentele inspanningen verminderen, zei Zhao.

“We combineren alle eiwitten in de database met de specifieke evolutionaire geschiedenis van het doeleiwit om de voorspellingsefficiëntie te verbeteren,” zei Zhao. “Vervolgens kunnen we de mutanten gebruiken die we op basis van onze experimenten hebben gemaakt om het model te verbeteren en te trainen. Dit algoritme Het is nog steeds een werk in uitvoering, maar het is een uitgebreide verbetering van wat al bekend is in de literatuur.”

Zhao zei dat onderzoekers momenteel ECNet gebruiken om enzymkatalysatoren te ontwikkelen met verbeterde selectiviteit.

Deze studie was een gezamenlijke inspanning met professor informatica Jianping (CABBI). Andere auteurs van de studie zijn Yunnan Lu, Guangd Jiang, Tianhao Yu, Yang Liu, Lam Fu, Hantian Ding, Yufeng Su en Wesley Wei Qian.