解釈可能で生成的な深層学習モデルが相分離する内在性無秩序モチーフを解明する

科学分野:

• 生化学
• 分子生物学
• 計算生物学

背景:

• タンパク質の内在性無秩序領域（IDR）は、タンパク質の相分離（PS）および細胞物質を生体分子凝縮物に編成する上で重要です。
• IDRにおけるPSを駆動する特定の配列モチーフおよび組成的特徴を特定することは、依然として大きな課題です。

研究 の 目的:

• IDR内の相分離モチーフを正確に予測するための解釈可能な深層学習フレームワークであるPhaSeMotifを開発すること。
• 予測されたモチーフを実験的に検証し、PSにおけるそれらの役割を調査すること。
• IDRモチーフの効率的な調査とPS決定因子への洞察のためのツールキットを提供すること。

主な方法:

• IDRにおける相分離モチーフを予測するための深層学習フレームワークであるPhaSeMotifの開発。
• PS能力への影響を評価するための変異研究を通じた予測モチーフの実験的検証。
• 新しい、検証準備完了のモチーフを作成するための生成モデルの統合。

主要な成果:

• PhaSeMotifは、IDR内の必須の相分離モチーフを正確に予測します。
• 予測されたモチーフの変異は、IDRの相分離能力を著しく損なうか、またはなくします。
• 同定されたモチーフは、PSの親和性と凝縮物分割に重要な多様なアミノ酸組成を示します。

結論:

• PhaSeMotifは、タンパク質相分離を駆動するIDRモチーフの効率的な調査のための強力でオープンアクセスなツールキットを提供します。
• このフレームワークは、PSおよび生体分子凝縮物形成を制御する分子決定因子に関する貴重な洞察を提供します。
• 予測、生成、検証の組み合わせは、相分離モチーフのメカニズム研究を加速します。