蛋白质语言模型可以捕获蛋白质四级状态
Orly Avraham1, Tomer Tsaban1, Ziv Ben-Aharon1
1Department of Microbiology and Molecular Genetics, Faculty of Medicine, Institute for Biomedical Research Israel-Canada, The Hebrew University of Jerusalem, Jerusalem, Israel.
预测蛋白质四级状态对于功能至关重要. 一个新的深度学习模型,Queen,使用蛋白质序列嵌入来识别单体与多体,并取得了适度的成功,提供了一个快速的,无结构的替代方案.
科学领域:
- 计算生物学 计算生物学
- 结构生物信息学 结构生物信息学
- 蛋白质组学中的深度学习
背景情况:
- 确定蛋白质的四元状态 (功能单元中的单体数) 对于理解蛋白质功能至关重要.
- 测定四次状态的实验方法往往具有挑战性和劳动密集性.
- 现有的计算工具通常依赖于经过实验验证的结构信息.
研究的目的:
- 通过深度学习嵌入,研究单独的蛋白质序列信息是否可以预测蛋白质四级状态.
- 开发和评估一种新的深度学习模型,用于基于蛋白质序列的四次状态预测.
主要方法:
- 生成ESM-2嵌入用于具有已知的四级状态 (QSbio数据集) 的大量蛋白质数据集.
- 训练了一个深度学习模型,命名为 QUEEN (使用dEEp学习进行四次状态预测),用于四次状态分类.
- 评估了 QUEEN 在一组独特的蛋白质折叠 (ECOD 家庭层面) 上的性能,以确保概括.
主要成果:
- 女王成功地区分单体和多体,仅使用序列衍生嵌入.
- 该模型在预测特定的四级状态方面取得了适度的成功,超过了简单的序列相似性转移.
- 性能低于基于结构的方法,但在蛋白质序列中证明了四级状态信息的存在.
结论:
- 皇后是第一个利用蛋白质语言模型嵌入用于四次状态预测的模型,强调基于序列的方法的局限性和优势.
- 该模型为四等态预测提供了一个快速的,无结构的替代方案,对大规模序列分析和特定蛋白质研究有价值.
- 可用于更广泛的可访问性和应用.
更多相关视频
05:18Quaternary Structure Modeling Through Chemical Cross-Linking Mass Spectrometry: Extending TX-MS Jupyter Reports
Published on: October 20, 2021
06:50Author Spotlight: A Computational Approach to Decipher Amino Acid Preferences in Multispecific Protein-Protein Interactions
Published on: January 26, 2024
相关概念视频
Protein Organization
The primary structure of a protein is its amino acid sequence....
Protein and Protein Structure
A protein's shape is critical to its function. For example, an enzyme...
Cooperative Allosteric Transitions
Protein Folding
Protein Complex Assembly
Many viruses self-assemble into a fully functional unit using the infected host cell to...
Protein and Protein Structures
