使用DeepMSA2改进深度学习蛋白质单体和复杂结构预测,使用巨大的元基因组学数据
Wei Zheng1, Qiqige Wuyun2, Yang Li1,3
1Department of Computational Medicine and Bioinformatics, University of Michigan, Ann Arbor, MI, USA.
Nature methods
|January 3, 2024
概括
DeepMSA2通过从基因组和元基因组数据生成优异的多个序列对齐 (MSAs) 来提高蛋白质结构预测的准确性. 这一新管道在复杂结构建模中优于现有的方法,包括AlphaFold2-Multimer.
科学领域:
- 计算生物学 计算生物学
- 结构生物学 结构生物学
- 生物信息学是一种生物信息学.
背景情况:
- 准确的蛋白质结构预测对于理解生物功能至关重要.
- 目前的方法在很大程度上依赖于多次序对齐 (MSA) 的质量.
- 整合多样化的基因组和元基因组数据可以改善MSA的生成.
研究的目的:
- 开发DeepMSA2,一个用于构建统一蛋白质单链和多链MSAs的新管道.
- 评估DeepMSA2的性能与蛋白质结构预测的最先进方法相比.
- 评估元基因组数据整合对MSA质量和下游结构预测的影响.
主要方法:
- 在基因组和元基因组序列数据库中进行代对齐搜索.
- 开发用于MSA建设的DeepMSA2管道.
- 与当前用于蛋白质三级和四级结构预测的方法对比DeepMSA2 MSAs.
- 与DeepMSA集成的管道使用CASP15实验的参与2.2.
主要成果:
- DeepMSA2 MSA显著提高了蛋白质三级和四级结构预测的准确性.
- 一个集成的DeepMSA2管道产生了比CASP15中的AlphaFold2-Multimer更高质量的复杂结构模型.
- DeepMSA2的优势来自于平衡的对齐搜索,有效的模型选择和大型元基因组数据库的集成.
结论:
- DeepMSA2代表了用于蛋白质结构预测的MSA构造的重大进步.
- 优化输入数据,如MSA,对于基于深度学习的结构预测,与预测器设计一样重要.
- 这项工作为通过增强的MSA生成改善深度学习蛋白质结构预测开辟了新的途径.
更多相关视频
09:47Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches
Published on: December 15, 2023
1.1K
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
