進化的に導かれた高度なディープラーニングアーキテクチャは,哺乳類のGPCRomeアゴニストの予測を可能にします

科学分野:

• 計算生物学とは,計算生物学である.
• 薬理学 薬理学とは
• ゲノミクスゲノミクスとは

背景:

• Gタンパク質結合受容体 (GPCR) は,重要なシグナル伝達タンパク質である.
• リガンド受容体相互作用の現在の計算方法には,受容体カバー,匂い受容体含有,および種間データに関する制限があります.

研究 の 目的:

• リガンド受容体相互作用を予測するための進化的に導かれたディープラーニングフレームワークであるEvOlfを紹介します.
• 多様な受容体タイプと広範な種間データを統合することによって,既存の方法の限界を克服する.

主な方法:

• 階層的な自己注意,複数の解像度の機能エンコーディング,および融合トランスフォーマーを使用するディープラーニングフレームワークであるEvOlfを開発しました.
• 24種の哺乳類の105,235の実験的に検証された相互作用の広範なデータセットを利用した.
• 統合されたオドラントおよびノンオドラント受容体.

主要な成果:

• EvOlfは,リガンド受容体相互作用を予測する最先端の性能を達成しました.
• EvOlfは,独立したテストデータセットで既存の予測方法を大幅に上回った.
• 実験的検証では,β1-アドレナゲン受容体のための3つの新しいアロステリック共同活性化剤が特定され,アゴニストによって誘発されたシグナル伝達を強化しました.

結論:

• EvOlfは,受容体脱オルファニゼーションと新しいリガンド発見のための堅牢でスケーラブルなプラットフォームを提供します.
• フレームワークの進化的アプローチと包括的なデータセットは,予測の正確性と生物学的関連性を高めます.
• 特定された共同活性化剤は,Evolfの治療目標の特定の可能性を示しています.