通过使用深度学习在内在无序蛋白质中加速误解突变识别

科学领域:

• 计算生物学 计算生物学
• 蛋白质科学 蛋白质科学
• 机器学习 机器学习

背景情况:

• 内在无序的蛋白质 (IDPs) 在细胞过程中起着至关重要的作用.
• 国内流离失所者的错误突变可能导致重大结构变化和疾病.
• 预测流离失所者的突变影响在计算上具有挑战性.

研究的目的:

• 开发一种快速而准确的方法来识别因误解突变引起的内部流离失所者的大型结构变化.
• 为了利用深度学习和布朗动力学模拟来预测突变影响.
• 加速发现与疾病相关的IDP中易发生突变的区域.

主要方法:

• 在使用HPS2模型的MobiDB中的6500个IDP序列上利用布朗动力学 (BD) 模拟.
• 从BD模拟中生成旋转半径的训练数据集.
• 开发了一种多层感知神经网络 (NN) 架构,用于预测旋转半径.
• 应用了NN来预测IDP中所有误解排列的突变效应.

主要成果:

• 通过使用NN. 在预测已知IDP的旋转半径方面取得了97%的准确性.
• 与野生类型序列相比,成功确定了容易发生突变的区域,这些区域显著改变了旋转半径.
• 证明突变分析的计算速度增加了 (10^410^6) 倍.
• 通过针对性BD模拟对选定的突变体进行验证的预测.

结论:

• 结合BD模拟和DL方法提供了一个高效的方法来识别有害的误解突变在IDP.
• 这一策略显著加速了与疾病相关的突变和潜在的治疗点的识别.
• 开发的方法可以扩展到预测异常蛋白质中其他突变诱导的影响.