机器学习团队对基因编码的光指示器进行定向工程.
Sarah J Wait1,2, Michael Rappleye2,3, Justin Daho Lee1,2
1Molecular Engineering and Sciences Institute, University of Washington, Seattle, WA.
Research square
|August 23, 2023
概括
机器学习通过预测传感器突变发生的结果来加速蛋白质工程. 这种方法确定了具有增强性能的新型遗传编码光指标 (GEFI).
科学领域:
- 生物技术是生物技术.
- 蛋白质工程是指蛋白质工程.
- 计算生物学 计算生物学
背景情况:
- 基因编码的光指标 (GEFI) 对于监测生物活动至关重要,但使用传统方法优化却具有挑战性.
- 试错基因突变是耗时且低效的复杂蛋白质传感器,如GEFI.
- 开发改进的GEFI对于推进实时生物研究和诊断至关重要.
研究的目的:
- 应用机器学习来预测GEFI突变的功能结果.
- 设计具有改进动力学和光反应的新型GEFI变体.
主要方法:
- 开发了一组由在GCaMP突变库中训练的三种回归模型组成的集合.
- 在使用训练模型对1423种新的GCaMP变体进行了形功能选.
主要成果:
- 鉴定出新的集体衍生GCaMP (eGCaMP) 变体 (eGCaMP,eGCaMP+) 具有更快的动力学和更大的反应.
- 发现了eGCaMP2+,与先进的GCaMP代相比,具有更高动态范围的组合突变.
- 证明了机器学习在预先选突变体中所需的功能特征方面的有效性.
结论:
- 机器学习显著提高了GEFI蛋白质工程的效率.
- 这项研究验证了机器学习作为一种强大的工具来克服传统突变发生的局限性.
- 开发的eGCaMP变种为生物传感应用提供了更好的功能.
