PLM_Sol:通过对多种蛋白质语言模型进行基准测试,预测蛋白质溶解度,使用更新的Escherichia coli蛋白质溶解度数据集进行基准测试
Xuechun Zhang1,2,3, Xiaoxuan Hu1,2,3, Tongtong Zhang1,2,3
1Key Laboratory of Organ Regeneration and Reconstruction, State Key Laboratory of Stem Cell and Reproductive Biology, Institute of Zoology, Chinese Academy of Sciences, 1 Beichen West Road, Chaoyang District, Beijing 100101, China.
Briefings in bioinformatics
|August 23, 2024
概括
一个新的深度学习模型,PLM_Sol,准确地预测蛋白质溶解度,改善了酶发现. 这种蛋白质语言模型通过更准确地预测溶解度来增强生物技术和工业应用.
科学领域:
- 生物技术是生物技术.
- 生物信息学是一种生物信息学.
- 蛋白质工程是指蛋白质工程.
背景情况:
- 蛋白质溶解性对于生物技术,工业和生物医学应用至关重要.
- 准确预测蛋白质溶解度是酶开发中的一个重大挑战.
- 深度学习和蛋白质语言模型 (PLM) 的进步为基于序列的预测提供了新的途径.
研究的目的:
- 开发一个先进的计算模型来预测蛋白质溶解度.
- 利用蛋白质语言模型 (PLM) 和精心策划的数据集来增强溶解性预测.
- 通过准确的可溶性预测,提高识别新兴酶 (EOI) 的效率.
主要方法:
- 编辑了更新的大肠杆菌蛋白溶解性数据集 (UESolDS).
- 采用多种蛋白质语言模型 (PLM) 与分类层相结合.
- 开发和评估基于蛋白质语言模型的蛋白质溶解性预测模型 (PLM_Sol).
主要成果:
- 在一个独立的测试组中,PLM_Sol在现有模型上取得了显著的改进.
- 显示精度增加6.4%,F1_score增加9.0%,马修斯相关系数增加11.1%.
- 在独立和实验数据集上展示了一致和有前途的性能,包括合成的酶.
结论:
- PLM_Sol提供了一种强大而准确的方法来预测蛋白质溶解度.
- 该模型通过提高预测准确度,促进了大规模感兴趣的酶 (EOI) 研究.
- PLM_Sol可以作为一个独立的程序和模型用于更广泛的研究应用.
更多相关视频
11:47Residue-specific Incorporation of Noncanonical Amino Acids into Model Proteins Using an Escherichia coli Cell-free Transcription-translation System
Published on: August 1, 2016
15.9K
06:48Author Spotlight: Evaluation of Protein-Condensate Dynamics in Live Human Cells
Published on: January 5, 2024
3.5K
