深度TM:一种深度学习算法,用于直接从序列中预测热友蛋白质的化温度
Mengyu Li1, Hongzhao Wang1, Zhenwu Yang1
1College of Life Science and Technology, Beijing University of Chemical Technology, Beijing 100029, China.
Computational and structural biotechnology journal
|November 30, 2023
概括
一个新的深度学习模型,DeepTM,只使用蛋白质序列,准确地预测热友蛋白质化温度 (Tm). 这一进步为蛋白质工程和工业应用提供了方便和高效的工具.
科学领域:
- 蛋白质工程和生物信息学
- 计算生物学 计算生物学
- 生物技术是生物技术.
背景情况:
- 热稳定的蛋白质对于工业和制药应用至关重要.
- 准确预测化温度 (Tm) 对于蛋白质工程至关重要.
- 现有的Tm预测计算方法缺乏足够的准确性和数据.
研究的目的:
- 开发一种新的深度学习模型,DeepTM,用于准确的热友蛋白的Tm预测.
- 仅使用蛋白序列作为预测模型的输入.
- 确定影响蛋白质热稳定性的关键序列特征.
主要方法:
- 开发了DeepTM,这是一个在7790个热友蛋白条目上训练的深度学习模型.
- 输入数据仅包括蛋白质序列.
- 使用确定系数 (R2),皮尔森相关系数 (P) 和根平均平方误差 (RMSE) 评估模型性能.
主要成果:
- 在测试组 (R2=0.75,P=0.87,RMSE=6.24°C) 上,DeepTM 实现了高精度.
- 双频率,最佳生长温度 (OGT) 和进化信息被确定为热稳定性的关键决定因素.
- 在盲目测试数据集上,DeepTM显著优于现有方法 (ProTstab2,DeepSTABp),显示出显著的RMSE减少.
结论:
- DeepTM提供了一个准确的,基于序列的计算方法,用于预测热友蛋白Tm.
- 该模型的端到端预测过程提高了蛋白质工程的便利性.
- DeepTM提供了一种有价值的工具,可以加速增强热稳定性的蛋白质的发展.
更多相关视频
09:34A Virtual Machine Platform for Non-Computer Professionals for Using Deep Learning to Classify Biological Sequences of Metagenomic Data
Published on: September 25, 2021
4.0K
13:26Determination of Protein-ligand Interactions Using Differential Scanning Fluorimetry
Published on: September 13, 2014
61.7K
