Video Experimental Relacionado
Updated: Sep 10, 2025
08:04
Identification and Classification of Position-specific GABAA Receptor Subunit Missense Variants for Their Role In Hippocampal Pyramidal Neurons
Published on: June 6, 2025
492
DeepMVP: los modelos de aprendizaje profundo entrenados en datos de alta calidad predicen con precisión los sitios de
Bo Wen1,2,3, Chenwei Wang1,2, Kai Li1,2,4
1Lester and Sue Smith Breast Center, Baylor College of Medicine, Houston, TX, USA.
Nature methods
|August 26, 2025
Resumen
Los investigadores desarrollaron PTMAtlas y DeepMVP para predecir las modificaciones posteriores a la traducción de proteínas (PTM). Este enfoque de aprendizaje profundo identifica con precisión las variantes que alteran la PTM, avanzando en la comprensión del mecanismo de la enfermedad.
Área de la Ciencia:
- Biología molecular
- La bioinformática
- Biología computacional
Sus antecedentes:
- Las modificaciones postraslacionales (PTM) son cruciales para la función de las proteínas, y su desregulación por variantes de mal sentido contribuye a la enfermedad.
- La predicción de los sitios PTM mediante el aprendizaje profundo es vital para identificar las variantes que alteran el PTM, pero carece de suficientes datos de capacitación de alta calidad.
Objetivo del estudio:
- Introducir PTMAtlas, un compendio completo de sitios PTM, y DeepMVP, un marco de aprendizaje profundo para la predicción de sitios PTM.
- Evaluar el rendimiento de DeepMVP en comparación con las herramientas existentes y su utilidad para identificar las variantes de error que alteran el PTM.
Principales métodos:
- El reprocesamiento sistemático de 241 conjuntos de datos públicos de espectrometría de masas para curar las PTMAtlas, que contienen 397.524 sitios de PTM.
- Desarrollo de DeepMVP, un modelo de aprendizaje profundo entrenado en PTMAtlas para predecir seis tipos de PTM: fosforilación, acetilación, metilación, sumoilación, ubiquitinación y N-glucosilación.
- Validación de las predicciones de DeepMVP utilizando variantes curadas por la literatura y conjuntos de datos proteogenómicos de cáncer.
Principales resultados:
- PTMAtlas proporciona un conjunto de datos grande y de alta calidad para la investigación PTM.
- DeepMVP supera significativamente las herramientas de predicción PTM existentes en los seis tipos de PTM.
- DeepMVP predice con precisión las variantes de error que alteran el PTM, mostrando una fuerte concordancia con los datos experimentales.
Conclusiones:
- PTMAtlas y DeepMVP ofrecen una plataforma poderosa e integrada para el avance de la investigación PTM.
- Este marco permite una evaluación escalable de las consecuencias funcionales de la variante de codificación a través de la interrupción de PTM.
- Las herramientas desarrolladas facilitan una comprensión más profunda de las PTM en la salud y la enfermedad.
