使用机器学习模型,对Kluyveromyces marxianus中含有多氨酸的5′未翻译区域的表征和优化

科学领域:

• 合成生物学 合成生物学
• 分子生物学分子生物学
• 生物工程是生物工程.

背景情况:

• 第5个未翻译区域 (5UTR) 对于翻译效率和mRNA稳定性至关重要.
• 5′ UTR 中的多氨酸 (poly(A)) 通道很常见,但它们对蛋白质生产的影响仍在争论中.
• 现有的机器学习模型缺乏5′ UTR多A) 段的特性.

研究的目的:

• 开发一种机器学习模型,预测基于5′ UTR多A通道特征的蛋白质生产.
• 为了研究多管长度和位置对蛋白质产量的影响.
• 为了利用来自*Kluyveromyces marxianus*的自然5′ UTRs进行模型构建.

主要方法:

• 构建了一个小型图书馆,207个5' UTRs与多A和34没有从K. marxianus.
• 在体内评估了每个5′ UTR对GFP记者蛋白生产的影响.
• 训练了一种多层感知神经网络 (MLP-NN) 模型,该模型包含了多个A长度和位置特征.

主要成果:

• 蛋白质丰富度在450倍的范围内变化,MLP-NN模型实现了R²=0.7290.0.
• 较长的多 (A) 管与蛋白质生产有负相关性.
• 在起始子上游10-30nt的多A片段对蛋白质丰度产生了微弱的积极影响.
• 删除或减少上游的聚乙烯 (A) 路径增强了GFP和铁乙酶的生产.
• 多A) 途径缺失对mRNA水平有不一致的影响,这表明转录后抑制.

结论:

• 多管对蛋白质生产的影响是长度和位置依赖的.
• 在机器学习模型中整合多个A特征可以提高预测准确度.
• 优化多A通道特征可以提高K. marxianus和其他微生物细胞工厂的蛋白质产量.