使用AlphaFold和化学转移预测的集成深度学习方法进行时间优化的蛋白质NMR赋值
Piotr Klukowski1, Roland Riek1, Peter Güntert1,2,3
1Institute of Molecular Physical Science, ETH Zurich, Vladimir-Prelog-Weg 2, 8093 Zurich, Switzerland.
这项研究引入了一种先进的深度学习方法,将ARTINA,AlphaFold和UCBShift结合起来,以实现更快,更准确的蛋白质核磁共振 (NMR) 化学转移分配. 新方法显著减少了实验数据需求,同时提高了复杂蛋白质系统的分配精度.
科学领域:
- 生物物理学的生物物理.
- 结构生物学 结构生物学
- 计算化学计算化学
背景情况:
- 核磁共振 (NMR) 光谱对于在原子分辨率下确定蛋白质结构,动力学和相互作用至关重要.
- 传统的化学转换分配是耗时和劳动密集的,限制了结构生物学中的吞吐量.
- 像ARTINA这样的现有计算方法提供了自动化,但可以进一步优化效率和准确性.
研究的目的:
- 开发和验证一种集成计算方法,以加快和提高蛋白质化学转移分配的准确性.
- 为了减少获得可靠的基于NMR的蛋白质结构信息的实验数据要求.
- 提高自动化化学转移分配对更大,更复杂的蛋白质系统的稳定性和适用性.
主要方法:
- 深度学习方法ARTINA与蛋白质结构预测 (AlphaFold) 和化学转移预测 (UCBShift) 的整合.
- 综合性方法的系统评估,使用超过5000个自动分配计算在89种不同的蛋白质.
- 使用减少的实验性NMR数据集 (例如,五个3D光谱) 与综合数据集对分配准确性的比较分析.
主要成果:
- 与单独使用更多的光谱 (91.37%) 的ARTINA相比,综合性方法只使用五个3D光谱实现了更高的分配精度 (92.59%).
- 通过仅使用15N标记样本,证明了成功的自动分配,简化了实验要求.
- 展示了更大的合成蛋白质系统的改进的分配精度,高达500个残留物.
结论:
- 组合的ARTINA,AlphaFold和UCBShift方法显著减少了蛋白质化学转移分配的实验时间和数据需求.
- 这种综合性策略提高了准确性和稳定性,使基于NMR的结构研究更容易获得和更高效,特别是对于大型生物分子.
- 该方法代表了计算结构生物学的实质性进步,促进了对蛋白质功能的更深入了解.
更多相关视频
12:47Nuclear Magnetic Resonance Spectroscopy for the Identification of Multiple Phosphorylations of Intrinsically Disordered Proteins
Published on: December 27, 2016
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
¹H NMR: Interpreting Distorted and Overlapping Signals
As Δν decreases and the signals move closer, the doublets appear increasingly distorted. The intensities of the inner lines increase at the cost of those of the outer lines as the signals are...
¹H NMR of Labile Protons: Temporal Resolution
The –OH proton in alcohols typically appears in the range of δ 2 to 5 ppm but can vary depending on the specific...
¹H NMR of Conformationally Flexible Molecules: Temporal Resolution
NMR Spectroscopy: Chemical Shift Overview
For instance, the proton...
NMR Spectroscopy Of Amines
Interpreting ¹H NMR Signal Splitting: The (n + 1) Rule
