通过使用蛋白质语言模型的少数射击学习来快速进化蛋白质
Kaiyi Jiang1,2,3,4, Zhaoqing Yan1,2,3, Matteo Di Bernardo4
1Department of Medicine Division of Engineering in Medicine Brigham and Women's Hospital Harvard Medical School Boston, 02115 MA, USA.
新的人工智能框架EVOLVEpro通过高效优化多种蛋白质特性来加速蛋白质工程. 这种方法使用少量射击的积极学习,以最小的实验数据实现蛋白质功能的显著改善.
科学领域:
- 蛋白质工程是一种蛋白质工程.
- 计算生物学是一种计算生物学.
- 生命科学中的人工智能
背景情况:
- 传统的定向进化是劳动密集型的,并与多属性优化作斗争.
- 目前使用蛋白质语言模型 (PLM) 的in silico方法在蛋白质家族中缺乏通用性.
- 高效的蛋白质工程对于研究,医学和生物技术的进步至关重要.
研究的目的:
- 介绍EVOLVEpro,一个新的快速蛋白质工程的几次射击主动学习框架.
- 为了提高 in silico 蛋白质进化的效率和有效性.
- 为了证明人工智能引导蛋白质工程的广泛适用性.
主要方法:
- 蛋白质语言模型 (PLM) 与蛋白质活性预测器的整合.
- 实施一点点的积极学习策略.
- 在各种蛋白质工程应用中进行验证.
主要成果:
- 在短短四轮的进化过程中实现了显著的蛋白质活性改善.
- 在所需的蛋白质特性方面,已证明改善了多达100倍.
- 在工程RNA聚合酶,CRISPR核酶,主要编辑器,整合酶和抗体方面展示了成功的应用.
结论:
- EVOLVEpro显著优于目前最先进的蛋白进化方法.
- 用最小的实验数据进行少量射击的积极学习优于蛋白质工程的零射击预测.
- EVOLVEpro使人工智能引导的蛋白质工程在生物学和医学中的更广泛应用成为可能.
更多相关视频
06:50Author Spotlight: A Computational Approach to Decipher Amino Acid Preferences in Multispecific Protein-Protein Interactions
Published on: January 26, 2024
07:08Optimization of Synthetic Proteins: Identification of Interpositional Dependencies Indicating Structurally and/or Functionally Linked Residues
Published on: July 14, 2015
相关概念视频
Conservation of Protein Domains Over Different Proteins
A limited set of protein domains often duplicate and recombine during evolution. These domains can be organized in different combinations to...
Conservation of Protein Domains
Leaky Scanning
Proteins: From Genes to Degradation
Transcription is the synthesis of RNA...
Gene Evolution - Fast or Slow?
In contrast, regions which code...
From DNA to Protein
