在不同组织类型的表达转录上训练的深度学习模型揭示了细胞类型的编码子优化偏好.

科学领域:

• 生物技术是生物技术.
• 计算生物学 计算生物学
• 分子生物学分子生物学

背景情况:

• 特定物种的蛋白质翻译差异需要对重组蛋白质表达进行编码子优化.
• 现有的编码子优化工具可能无效,导致蛋白质表达减少或错误折叠.

研究的目的:

• 开发一种新型的深度学习 (DL) 工具,利用循环神经网络 (RNN) 来进行细胞类型依赖的编码子偏差预测.
• 为了提高代优化的效率和准确性,以提高蛋白质表达.

主要方法:

• 训练DL模型使用来自大脑,肝脏和肌肉组织的基因表达数据来分泌基因.
• 开发了基于RNN的模型,以预测特定于细胞类型的最佳编码子使用.
• 在实验室中使用记者基因对编码子优化序列进行了评估.

主要成果:

• 与原始和传统优化的序列相比,DL工具生成的Codon优化的序列显示出明显增强的蛋白质表达.
• 在肝细胞基因表达数据上训练的DL模型产生了最高的体外表达,无论测试的细胞类型如何.
• DL方法在增强蛋白质翻译方面被证明是有效的,特别是对于分泌蛋白质.

结论:

• 基于深度学习的编码子优化比现有方法提供了显著的进步.
• 这种新的方法对生产基于蛋白质的药品,疫苗和基因治疗产品具有广泛的影响.
• 使用DL进行细胞类型特定的编码子偏差预测可以克服当前优化策略的局限性.