使用深度学习进行β桶和跨膜纳米孔的参数导向设计
David E Kim1,2,3, Joseph L Watson1,2,3, David Juergens1,2,3
1Department of Biochemistry, University of Washington, Seattle, WA 98195.
bioRxiv : the preprint server for biology
|August 2, 2024
概括
现在可以使用深度学习来进行β桶的参数设计,从而能够精确控制蛋白质的形状和功能. 这种方法成功地创造了具有高精度和实验成功率的新型跨膜纳米孔.
科学领域:
- 蛋白质的设计 蛋白质的设计
- 结构生物学是结构生物学.
- 计算生物物理学的计算生物物理.
背景情况:
- 全球参数化成功引导了卷轴蛋白质设计.
- 使用2D蓝图的Beta桶设计复杂,并提供间接的形状控制.
- 与理想几何形状的偏差阻碍了贝塔桶的设计.
研究的目的:
- 将参数设计概括为β桶.
- 将参数方法与蛋白质设计的深度学习相结合.
- 开发一种更容易获得和可控制的方法来设计β桶蛋白.
主要方法:
- 使用了基于RoseTTAFold的方法 (RF联合涂装和RF扩散).
- 从参数生成的桶背骨开始.
- 集成的脊柱不规则性,以确保适当的折叠.
主要成果:
- 实现了高的体和实验成功率,用于β桶设计.
- 通过新型拓的X射线晶体学证实了原子精度.
- 新设计的跨膜纳米孔 (12,14,16链) 的导电量为200-500 pS.
结论:
- 参数生成与深度学习相结合,增强了β桶设计.
- 新方法提供了简单性,控制性和高成功率.
- 允许精确的规范和可访问性,用于设计功能性β桶蛋白,如纳米孔.
