机器学习引导的基因编码光体指示器的工程.
Sarah J Wait1,2, Marc Expòsit1,3, Sophia Lin4,5
1Molecular Engineering and Sciences Institute, University of Washington, Seattle, WA, USA.
Nature computational science
|March 27, 2024
概括
机器学习加速了光蛋白传感器的工程. 新的集体衍生GCaMP变体 (eGCaMP) 显示了更好的速度和信号,增强了生物监测.
科学领域:
- 生物技术是生物技术.
- 分子生物学分子生物学
- 生物物理学的生物物理.
背景情况:
- 基因编码的光指标对于实时生物活动监测至关重要.
- 蛋白质工程依赖于理解序列功能关系,通常通过广泛的突变发生和查.
- 像GCaMP这样的指标是神经科学和细胞生物学中的关键工具.
研究的目的:
- 应用机器学习来预测蛋白质传感器突变发生的结果.
- 设计具有增强性能特性的新型遗传编码光指示器.
- 使用计算方法开发更快,更敏感的指标.
主要方法:
- 利用机器学习来预测蛋白质突变发生的功能结果.
- 开发了一组由在GCaMP突变库中训练的三种回归模型组成的集合.
- 在1423个新的GCaMP变异中进行了形功能选.
主要成果:
- 鉴定出具有更快的动力学和更大的反应的集合衍生GCaMP (eGCaMP) 变体.
- 发现的eGCaMP和eGCaMP+变体超过了以前发表的快速变体.
- 开发的eGCaMP2+具有非凡的动态范围,性能优于多个GCaMP代.
结论:
- 机器学习有效地促进了具有所需生物物理性质的蛋白质的高效工程.
- 开发的eGCaMP变种为生物传感应用提供了显著的改进.
- 这项研究强调了计算方法在促进生物传感器蛋白质工程方面的潜力.
