通过可解释的AI绘制图表的γ-分泌酶基质
Stephan Breimann1,2,3, Frits Kamp1, Gabriele Basset1
1Biomedical Center (BMC), Division of Metabolic Biochemistry, Faculty of Medicine, LMU Munich, München, Germany.
Nature communications
|July 2, 2025
概括
我们开发了比较物理化学分析 (CPP),这是一种新的算法,可以识别蛋白质酶基质,即使没有明确的序列动图. CPP准确地预测了马分泌酶基质,改善了疾病和途径的理解.
科学领域:
- 生物化学和分子生物学
- 计算生物学 计算生物学
- 蛋白质组学是指蛋白质组学.
背景情况:
- 蛋白酶通过序列信息识别基质,当动机缺少时,这是一个挑战.
- 马分泌酶是一种内膜蛋白酶,与阿尔茨海默病和癌症有关.
- 了解蛋白酶-基质相互作用对于细胞过程至关重要.
研究的目的:
- 开发一种新的基于序列的算法,用于识别蛋白酶基质,而不依赖传统的识别模式.
- 解读玛分泌酶的基质特征,这是一个关键的蛋白酶,涉及神经退行性和瘤性疾病.
- 预测人类玛分泌酶基质的全部范围,并发现新的生物关联.
主要方法:
- 开发比较物理化学分析 (CPP),一个基于序列的算法.
- 利用机器学习来预测玛分泌酶基质范围.
- 预测基质和确定路径的实验验证.
主要成果:
- CPP识别了可解释的物理化学特征,以识别单一残留的蛋白酶基质分辨率.
- 该算法准确地预测了玛分泌酶基质的特征,解释了基质的结构变化.
- 机器学习预测识别了许多新的玛分泌酶基质,将准确性从60%提高到90%,实验验证成功率为88%.
- 发现了与玛分泌酶活性相关的新途径和疾病.
结论:
- 比较物理化学分析 (CPP) 有效地解码了超出序列动图的蛋白质酶基质特征.
- 该方法显著推进了对玛分泌酶基质及其生物相关性的预测.
- CPP提供了一个广泛适用的框架,用于理解各种分子识别过程.
