通过采集大量数据并使用无目标mRNA显示来分析和预测基因素基质偏好

科学领域:

• 生物化学 生物化学
• 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:

• 口服类药物递送受到胃肠道蛋白质酶 (如基米素) 的降解的阻碍.
• 目前的酶数据库不足以对蛋白酶基质偏好进行系统分析,特别是对于非天然氨基酸,这使得稳定性优化变得困难.

研究的目的:

• 为了加速类候选药物的稳定性优化.
• 开发一种用于识别化学素抗性序的预测模型.
• 探索mRNA显示的实用性,用于生成用于蛋白酶抗性预测的大数据集.

主要方法:

• 使用mRNA显示生成了大量的基米托里普辛耐药的数据集.
• 分析了丰富的序列动图,以了解基米素裂解模式.
• 开发并验证了一种机器学习模型,用于预测抗基米的抗性.
• 模拟非天然氨基酸的稳定性预测,使用氨酸持久模型.

主要成果:

• 总结了已知的基米托里普辛裂变部位,并确定了新的保护和破坏稳定的残留物.
• 证明了氨基酸对裂的位置依赖作用.
• 通过实验性化学二半衰期测量验证了预测模型的性能.
• 在预测非天然氨基酸的稳定性方面展示了该模型的强大性能.

结论:

• mRNA显示是一个强大的工具,用于为蛋白酶耐药性研究生成大规模数据.
• 将mRNA显示与机器学习相结合,提供了关于胆密素分裂的有价值的预测模型.
• 这种工作流可以扩展到其他蛋白酶,帮助未来的类药物发现工作.