使用ProteinMPNNN的快速和自动设计两组分蛋白质纳米材料

科学领域:

• 结构生物学是结构生物学.
• 计算生物学是一种计算生物学.
• 生物技术是生物技术.
• 蛋白质工程是一种蛋白质工程.

背景情况:

• 传统的基于物理的蛋白质设计方法 (例如,Rosetta) 是计算密集的,需要专家的手动干预.
• 深度学习 (DL) 为简化蛋白质-蛋白质接口设计提供了一个有希望的替代方案.
• 蛋白MPNN是蛋白序列设计的DL方法,在设计自组装蛋白质纳米材料方面具有潜在的应用.

研究的目的:

• 评估ProteinMPNN深度学习方法在设计两组分四面体蛋白质纳米材料方面的有效性.
• 将ProteinMPNN的性能与已建立的Rosetta设计软件进行比较.
• 评估DL驱动蛋白界面设计的计算效率和实验成功率.

主要方法:

• 利用ProteinMPNN,这是一个用于蛋白质序列设计的深度学习工具,用于生成新型蛋白质接口.
• 使用ProteinMPNN.设计的两组分四面体蛋白质纳米材料.
• 与罗塞塔对比的基准蛋白MPNN,比较计算资源,手工改进需求和实验组装成功率.

主要成果:

• 蛋白MPNN的成功率与罗塞塔的成功率相当,导致13个新的,经过实验证实的蛋白质组合.
• 蛋白MPNN需要显著减少计算和没有手工精细化,证明了提高效率.
• 由ProteinMPNN设计的接口更加极化,促进了独立净化的组件的成功*in vitro*组装. 水晶结构验证了设计准确性.

结论:

• 像ProteinMPNN这样的深度学习方法可以有效地设计复杂的蛋白质-蛋白质接口和自我组装的蛋白质纳米材料.
• 蛋白MPNN为传统方法提供了一个计算效率高和用户友好的替代方案,使蛋白质设计民主化.
• 这项工作突显了DL通过可访问的蛋白质工程加速生物技术进步的潜力.