リワイヤードタンパク質生成モデルによる一般化可能かつスケーラブルなタンパク質安定性予測

科学分野:

• 生化学
• 計算生物学
• 機械学習

背景:

• アミノ酸置換からタンパク質熱安定性変化を予測することは、疾患研究およびタンパク質工学にとって重要です。
• 既存のタンパク質生成モデルは有望ですが、安定性予測におけるその可能性は十分に活用されていません。

研究 の 目的:

• 正確かつ効率的なタンパク質安定性予測のための新しい深層学習フレームワークであるSPURSを提示します。
• パフォーマンス向上のために、相補的なタンパク質生成モデルを活用および統合します。
• タンパク質情報学および疾患研究における幅広いアプリケーションを可能にします。

主な方法:

• SPURSは、タンパク質言語モデルと逆折りたたみモデルを統合します。
• 統一フレームワークは、大規模な熱安定性データを使用してファインチューニングされます。
• 深層学習技術は、安定性予測および分析に採用されます。

主要な成果:

• SPURSは、タンパク質安定性の正確で効率的かつスケーラブルな予測を達成します。
• このフレームワークは、新しいタンパク質や変異に対してうまく一般化します。
• SPURSは、ゼロショット機能残基同定およびタンパク質フィットネス予測における有用性を示します。

結論:

• SPURSは、タンパク質安定性予測および工学を進歩させるための汎用性の高いツールを確立します。
• このフレームワークは、ヒト疾患における安定性-病原性関連の系統的分析を容易にします。
• SPURSは、タンパク質情報学および実践的なタンパク質設計における能力を強化します。