利用生物实验数据和分子动力学来通过机器学习对突变热点进行分类
James G Davies1, Georgina E Menzies1
1Molecular Bioscience Division, School of Biosciences, Cardiff University, Cardiff, CF10 3AX, United Kingdom.
Bioinformatics advances
|September 6, 2024
概括
这项研究表明,区域基对旋转和DNA中的GC含量可以预测[a]pyrene二醇氧化物 (BPDE) adduct修复效率. 这些拓特征可以作为突变热点的生物标志物.
科学领域:
- 分子生物学分子生物学
- 生物信息学是一种生物信息学.
- 计算化学计算化学
背景情况:
- 甲 (BP) 是一种致癌物质,形成DNA添加物.
- 核酸切除修复 (NER) 在去除重的BP添加物方面效率低下.
- 序列上下文影响NER,但结构驱动因素尚不清楚.
研究的目的:
- 用分子动力学和机器学习来评估由BPDE-瓜提取物引起的螺旋扭曲.
- 为了确定区分BPDE adduct站点的结构特征,具有可变的修复能力.
- 在不同的基因上下文 (TP53,cII,lacZ) 中调查这些特征.
主要方法:
- 采用随机森林分类模型来分析来自DNA复合体的螺旋数据.
- 使用特征选择来确定维修的关键拓决定因素.
- 在TP53基因数据上训练模型并将其应用于TP53,cII和lacZ.
主要成果:
- 优化的模型实现了>91%的准确性,精度和F1分数.
- 区域基数对旋转成为维修能力的关键预测指标.
- 这些旋转差异保留在TP53和lacZ中,受GC含量的影响.
结论:
- 保存的拓特征,特别是区域基对旋转和GC含量,区分了BPDE adduct热点.
- GC含量可以作为DNA突变热点的生物标志物.
- 这项工作提供了对差异性DNA修复的结构基础的见解.


