对SARS-CoV-2受体结合域突变体的高通量分子模拟量化了动态波动和蛋白质表达之间的相关性
Victor Ovchinnikov1, Martin Karplus1,2
1Department of Chemistry and Chemical Biology, Harvard University, Cambridge, Massachusetts, USA.
Journal of computational chemistry
|October 15, 2024
概括
来自分子动力学模拟的蛋白质灵活性显示了与SARS-CoV-2受体结合域 (RBD) 突变表达的温和联系. 机器学习模型提供更好的预测,但需要广泛的突变数据进行训练.
科学领域:
- 计算生物学是一种计算生物学.
- 蛋白质工程是一种蛋白质工程.
- 生物物理学的生物物理.
背景情况:
- 预测蛋白质适应性对于合理的蛋白质设计至关重要.
- 深度突变扫描实验提供了有关蛋白质变异的宝贵数据.
研究的目的:
- 评估分子动力学 (MD) 模拟中的蛋白质波动是否可以预测SARS-CoV-2受体结合域 (RBD) 突变的表达水平.
- 将MD模拟与机器学习模型的预测能力进行比较.
主要方法:
- 对557个突变RBD进行了0.7毫秒的MD模拟.
- 分析了蛋白质的灵活性,并将其与实验表达数据相关联.
- 开发和评估了一个线性回归机器学习模型.
主要成果:
- 在RBD蛋白弹性和表达水平之间观察到温和但显著的负相关性 ([-0.4,-0.3]).
- 与基于MD的预测相比,机器学习模型实现了更高的相关系数 ([0.7,0.8]).
- 机器学习方法需要大约25个突变每残留位置有效的训练.
结论:
- 来自MD模拟的蛋白质灵活性为蛋白质表达提供了一些预测能力.
- 机器学习模型在预测蛋白质适应性方面表现出卓越的表现,但需要大量的训练数据.
- 需要进一步的研究来完善精确的蛋白质设计的计算方法.
更多相关视频
06:39High-throughput Confocal Imaging of Quantum Dot-Conjugated SARS-CoV-2 Spike Trimers to Track Binding and Endocytosis in HEK293T Cells
Published on: April 21, 2022
3.0K
10:34Probing RNA Structure with Dimethyl Sulfate Mutational Profiling with Sequencing In Vitro and in Cells
Published on: December 9, 2022
4.0K
