使用转移学习和双线性注意网络识别结合核酸的白丰富的重复受体和病原体效应因子配对
Baixue Qiao1,2, Shuda Wang1,2, Mingjun Hou1
1Key Laboratory of Saline-Alkali Vegetation Ecology Restoration, Ministry of Education (Northeast Forestry University), Harbin 150001, China.
Bioinformatics (Oxford, England)
|September 27, 2024
概括
一个新的深度学习算法,ProNEP,有效地识别核酸结合的氨酸丰富的重复 (NLR) 和效应器 (CNE) 对. 这通过克服稀缺的CNE数据来推进作物育种,使许多NLR能够进行高通量预测.
科学领域:
- 植物免疫学 植物免疫学
- 生物信息学是一种生物信息学.
- 基因组学就是基因组学.
背景情况:
- 核酸结合性氨酸丰富的重复蛋白 (NLR) 是植物中至关重要的免疫受体,在作物育种中广泛用于病原体防御.
- 虽然NLR的有效性取决于它们与效应因子 (CNEs) 的对应,但现有的CNE数据极为有限.
- 已知有大量的NLR (91,291),但只有387个CNE被确定,这阻碍了实际应用.
研究的目的:
- 开发一种高通量计算方法,用于预测NLR-effector对 (CNEs).
- 为了解决CNE实验数据的稀缺性,并释放NLR在作物改善方面的潜力.
主要方法:
- 提出了ProNEP,这是一个深度学习算法,将CNE预测概念化为蛋白质与蛋白质相互作用 (PPI) 任务.
- 在ProNEP中使用双线性注意网络进行集成转移学习,以准确预测交互.
- 应用ProNEP来预测91,291个NLR的大数据集的潜在CNE.
主要成果:
- 与现有的最先进的PPI预测模型相比,ProNEP的表现优越.
- 成功地为广泛的NLR数据集识别了许多潜在的CNE.
- 该研究强调了ProNEP在大规模CNE预测方面的潜力.
结论:
- ProNEP提供了一种高效,高通量解决方案,用于识别NLR-effector对,克服数据限制.
- 预计该工具将通过促进新物种的CNE预测,显著推进植物生物学,免疫学和育种.
- ProNEP (http://nerrd.cn/#/prediction) 和其代码 (https://github.com/QiaoYJYJ/ProNEP) 的可用性促进了更广泛的采用和研究.
