揭示SARS-CoV-2 Mpro突变冷点和热点:动态残留网络分析与机器学习相遇
Victor Barozi1, Shrestha Chakraborty2, Shaylyn Govender1
1Research Unit in Bioinformatics (RUBi), Department of Biochemistry, Microbiology and Bioinformatics, Rhodes University, Makhanda 6139, South Africa.
Computational and structural biotechnology journal
|November 11, 2024
概括
预测病毒突变是药物设计的关键. 动态残留网络分析与机器学习相结合,可以准确识别SARS-CoV-2的突变热点.
科学领域:
- 病毒学 病毒学
- 计算生物学 计算生物学
- 药物发现 药物发现 药物发现
背景情况:
- 预测病毒进化和突变对于开发有效,持久的抗病毒药物至关重要.
- 了解当前的突变是可行的,但预测未来的进化变化仍然是一个重大挑战.
研究的目的:
- 评估动态残留网络 (DRN) 分析的预测能力,以识别SARS-CoV-2主蛋白酶 (Mpro) 中的突变"冷"和"热"点.
- 开发机器学习模型,将DRN指标与其他数据集成在一起,以改善用于指导药物开发的突变预测.
主要方法:
- 在SARS-CoV-2 Mpro (武汉菌株) 上进行了分子动力学模拟.
- 计算了八个动态残留物网络指标以识别独特的网络特征.
- 将DRN识别的潜在突变点与多个SARS-CoV-2系的实验数据和突变频率进行比较.
主要成果:
- 个别DRN指标显示预测残留物突变频率的能力有限.
- 将8个DRN指标与结构和序列数据集成,使用机器学习模型显著提高了基因突变预测的准确性.
- 该研究确定了Mpro.内的潜在突变冷点和热点.
结论:
- 开发了一种强大的计算方法,以了解病原体的进化,并预测易发生突变的地点.
- 这种方法可以指导长效药物的设计,通过向像Mpro.这样的病毒蛋白中的不太可变的功能残留物.


