《深度学习助力蛋白设计》

  • 来源专题:生物科技领域知识集成服务
  • 编译者: 陈方
  • 发布时间:2020-04-08
  • 蛋白设计通常有两种方法:“定向进化”是指随机改变编码天然蛋白质的氨基酸构件的基因序列,筛选具有所需活性的变体;“合理设计”是根据蛋白质3D结构对其进行建模,以识别可能影响蛋白质功能的氨基酸。然而,定向进化只能触及庞大数量蛋白质序列中的一小部分,而合理设计则需要对蛋白质3D结构进行艰难的解析。
    2019年10月21日Nature Methods报道,哈佛大学Wyss生物启发工程研究所和哈佛医学院的研究人员创建了第三种蛋白质设计方法,利用深度学习直接从氨基酸序列中预测蛋白质基本特征。研究结果显示,该方法准确地预测了天然和从头设计的蛋白质功能,将大量工作转移给计算机,与现有方法相比,可将成本降低两个数量级。
    研究人员将这个神经网络方法命名为“统一表示”(unified representation,UniRep),在大约三周的时间内,研究者对UniRep进行了约2400万个蛋白质序列的训练,以关联蛋白质序列及其特性,包括蛋白质稳定性、二级结构以及蛋白质内部序列对周围溶剂的可及性等。结果UniRep准确地描述了来自不同的蛋白质家族的蛋白质的这些特征,包括那些已经被研究清晰解析的蛋白质,以及自然界中不存在的蛋白质。
    该团队进一步将UniRep作为研究工具,以预测单个氨基酸取代如何影响蛋白质功能。该神经网络以多种生物学功能(包括酶催化、DNA结合、分子传感)可靠地预测了8种不同蛋白质中单个氨基酸突变的影响。此外,研究者使用绿色荧光蛋白作为模型,利用UniRep分析了该蛋白的64,800个变异体,每个变异体带有1~12个突变,结果UniRep准确地预测了突变的分布及其对蛋白质亮度的影响。
    研究者表示,这种基于深度学习的蛋白质工程计算方法具有加速合成蛋白质设计的潜力,该方法可以针对任何所需应用量身定制蛋白质功能,可用于治疗、诊断、生物制造、生物催化及其他应用。

相关报告
  • 《深度学习助力蛋白的设计》

    • 来源专题:生物科技领域知识集成服务
    • 编译者:陈方
    • 发布时间:2020-09-11
    • 蛋白设计通常有两种方法:“定向进化”是指随机改变编码天然蛋白质的氨基酸构件的基因序列,筛选具有所需活性的变体;“合理设计”是根据蛋白质3D结构对其进行建模,以识别可能影响蛋白质功能的氨基酸。然而,定向进化只能触及庞大数量蛋白质序列中的一小部分,而合理设计则需要对蛋白质3D结构进行艰难的解析。 2019年10月21日Nature Methods报道,哈佛大学Wyss生物启发工程研究所和哈佛医学院的研究人员创建了第三种蛋白质设计方法,利用深度学习直接从氨基酸序列中预测蛋白质基本特征。研究结果显示,该方法准确地预测了天然和从头设计的蛋白质功能,将大量工作转移给计算机,与现有方法相比,可将成本降低两个数量级。 研究人员将这个神经网络方法命名为“统一表示”(unified representation,UniRep),在大约三周的时间内,研究者对UniRep进行了约2400万个蛋白质序列的训练,以关联蛋白质序列及其特性,包括蛋白质稳定性、二级结构以及蛋白质内部序列对周围溶剂的可及性等。结果UniRep准确地描述了来自不同的蛋白质家族的蛋白质的这些特征,包括那些已经被研究清晰解析的蛋白质,以及自然界中不存在的蛋白质。 该团队进一步将UniRep作为研究工具,预测单个氨基酸取代如何影响蛋白质功能。该神经网络以多种生物学功能(包括酶催化、DNA结合、分子传感)可靠地预测8种不同蛋白质中单个氨基酸突变影响。此外,研究者使用绿色荧光蛋白作为模型,利用UniRep分析了该蛋白的64,800个变异体,每个变异体带有1~12个突变,结果UniRep准确地预测了突变的分布及其对蛋白质亮度的影响。 研究者表示,这种基于深度学习的蛋白质工程计算方法具有加速合成蛋白质设计的潜力,该方法可以针对任何所需应用量身定制蛋白质功能,可用于治疗、诊断、生物制造、生物催化及其他应用。 吴晓燕 编译自https://phys.org/news/2019-10-proteins-language.html 原文链接:https://www.nature.com/articles/s41592-019-0598-1                                  原文标题:Unified rational protein engineering with sequence-based deep representation learning
  • 《Diffusion模型助力更强的蛋白质从头设计》

    • 来源专题:战略生物资源
    • 编译者:郭文姣
    • 发布时间:2023-07-12
    •     2023年7月11日,David Baker课题组在Nature上发表了一篇题为"De novo design of protein structure and function with RFdiffusion"的研究论文,该论文描述了一种能设计新蛋白质的深度学习方法,名为RoseTTAFold Diffusion(RFdiffusion)。该方法能生成各种功能性蛋白质,包括在天然蛋白质中从未见过的拓扑结构。 编译来源:https://mp.weixin.qq.com/s/JQo6__4VEnvjKQ9-vfb-LQ