使用机器学习识别与细胞外收缩注射系统相关的新毒素
Aleks Danov1, Inbal Pollin1, Eric Moon2
1Department of Plant Pathology and Microbiology, Institute of Environmental Sciences, The Robert H. Smith Faculty of Agriculture, Food & Environment, The Hebrew University of Jerusalem, Rehovot, 7610001, Israel.
Molecular systems biology
|July 28, 2024
概括
研究人员开发了一种机器学习工具,以识别通过细胞外收缩注射系统 (eCIS) 输送的新型细菌毒素. 这一发现扩大了我们对微生物相互作用和潜在的毒素应用的理解.
科学领域:
- 微生物学 微生物学
- 分子生物学分子生物学
- 生物信息学是一种生物信息学.
背景情况:
- 分泌系统调解微生物与微生物和宿主与微生物的相互作用.
- 细胞外收缩注射系统 (eCIS) 是独特的细菌和古生物系统,用于毒素输送.
- 引入ecis的毒素的身份和功能基本上是未知的.
研究的目的:
- 开发一种机器学习分类器,用于识别ecis相关毒素 (eats).
- 为了预测EAT加载使用ecis N端信号分数.
- 发现和描述新的EAT及其功能.
主要方法:
- 机器学习分类集成遗传和生化特征.
- 开发用于EAT预测的信号评分系统.
- 基因组分析以识别跨多个基因组的假定EAT.
- 新型EAT毒性和功能特征的实验验证.
主要成果:
- 一个机器学习分类器成功识别了ecis相关毒素 (eats).
- 从950个基因组中确定了2,194个假设的EAT.
- 四种新的EATs (EAT14-17) 在细菌和真核细胞中的毒性得到了验证.
- 确定了EAT毒性至关重要的活性部位残留物.
- 已经证明,EAT14可以抑制人体细胞中mitogenic信号传递.
结论:
- 机器学习有效地识别出新型细菌毒素.
- 这项研究揭示了EAT的多样性和功能.
- 已识别的毒素在生物技术和医学领域有潜在的应用.
- 这些发现有助于更好地理解eCIS介导的交互.
