机器学习辅助设计和选合成细胞中的新兴蛋白质功能

科学领域:

• 合成生物学 合成生物学
• 计算生物学 计算生物学
• 蛋白质工程是指蛋白质工程.

背景情况:

• 机器学习 (ML) 对工业和生物医学用途的计算蛋白质设计有了显著的进步.
• 设计用于新兴细胞功能的蛋白质,如自我组织和空间结构,仍然是一个重大挑战.
• 现有的选方法对于蛋白质设计项目的新兴功能是不够的.

研究的目的:

• 开发和展示ML生成的具有新兴功能的蛋白质的新计算和实验选方法.
• 验证ML设计的蛋白质在结构细胞空间和替代野生型基因方面的有效性.
• 在合成生物学中为ML驱动的细胞功能工程铺平道路.

主要方法:

• 利用基于结构的分裂与征服方法进行ML生成的蛋白质变体的in silico选.
• 在体外查中使用了来自Bottom-Up合成生物学的合成细胞模仿物.
• 通过基因替代验证了在大肠杆菌中表现最好的ML设计蛋白候选物.

主要成果:

• 成功开发并应用了ML设计蛋白质的集成in silico和in vitro查策略.
• 鉴定并验证了一种能够形成细胞内时空模式的新型蛋白质变体.
• 证明工程蛋白可以完全取代大肠杆菌中的野生型基因,保持细胞功能.

结论:

• 开发的选方法对于识别具有新兴自我组织能力的ML设计蛋白质是有效的.
• 经过ML设计的合成蛋白质具有工程细胞功能和推进合成生物学的巨大潜力.
• 这项工作是迈向下一代合成生物学应用的关键一步.