机器学习使得使用滴涂层沉积和拉曼光谱学实现了蛋白质二次结构的表征

科学领域:

• 生物物理化学 生物物理化学
• 频谱学是一种光谱学.
• 蛋白质科学 蛋白质科学

背景情况:

• 蛋白质结构的表征对于治疗性蛋白质的开发至关重要.
• 精确的二次结构分析可以告知药物的有效性和稳定性.
• 现有的方法可能耗时或昂贵.

研究的目的:

• 为了评估滴涂沉积拉曼 (DCDR) 光谱,用于快速蛋白质二次结构分析.
• 开发和验证一种机器学习模型,用于从DCDR光谱中预测蛋白质结构组成.
• 与既有方法相比,评估DCDR光谱学的准确性.

主要方法:

• 使用滴涂沉积拉曼 (DCDR) 光谱分析了蛋白质.
• 在胺I和II区域的拉曼光谱使用峰值拟合进行了分析.
• 部分最小平方 (PLS) 回归建模用于机器学习分析.
• 模型性能在独立数据集上得到验证,包括IgG蛋白.

主要成果:

• DCDR光谱为蛋白质二次结构分析提供了高分辨率,信号丰富的光谱.
• 峰值适配精确量化了六个次要结构图案 (α螺旋,310螺旋,β片,转,曲,随机线圈).
• 对于所有六个结构组件,PLS回归实现了较低的预测误差 (例如,α-Helix: 1.36%,β-Sheet: 0.78%).
• 在独立的IgG蛋白样本中,PLS模型准确地预测了二次结构 (例如,α-Helix:3.1%,β-Sheet:2.3%).

结论:

• DCDR光谱是一种快速,具有成本效益的技术,用于蛋白质二次结构的表征.
• 机器学习,特别是PLS回归,显著提高了DCDR光谱数据的预测能力.
• 这种综合方法提供了与X射线结晶学可比的精度,用于结构图案估计,促进治疗性蛋白质的开发.