多尺度概率模型:贝叶斯的方法来增强细胞信号的机械模型,用机器学习预测绑定亲和力
Holly A Huber1, Stacey D Finley1,2,3
1Department of Biomedical Engineering, University of Southern California, Los Angeles, CA 90089, USA.
系统生物学中的计算模型通常由于有限的数据而不足以确定. 这项研究整合了蛋白质序列和结构数据,以改善细胞信号模型参数,增强其预测能力.
科学领域:
- 系统生物学 系统生物学
- 计算生物学 计算生物学
- 生物物理学的生物物理.
背景情况:
- 系统生物学中的计算模型由于有限的实验数据,往往不够确定.
- 现有的生物数据库提供观察结果,但往往与特定感兴趣的系统缺乏直接相关性.
- 在数据库测量中,不同的实验条件和尺度带来了挑战.
研究的目的:
- 在不同的实验条件和尺度上研究将生物数据库概括的实用性.
- 提高特定生物系统,特别是细胞信号的计算模型的确定性和实用性.
- 通过将各种数据库测量集成到模型参数推理中来量化获得的信息.
主要方法:
- 开发一个新的,多尺度的,概率的数据集成框架.
- 整合了来自蛋白质数据库 (PDB) 的蛋白质结构数据和来自通用蛋白质资源 (UniProt) 的氨基酸序列数据.
- 该框架应用于动态细胞信号模型中的参数推断.
主要成果:
- 成功整合PDB和UniProt测量显著改善了细胞信号模型的参数估计.
- 序列和结构数据对模型预测的影响被发现取决于参数灵敏度.
- 证明蛋白质结构和序列测量可以有效地告知模型参数.
结论:
- 在不同的实验环境中对生物数据库进行概括是可行的,并且对计算建模有益.
- 拟议的概率框架提供了一个强大的方法来整合各种生物数据.
- 利用易于获得的蛋白质序列和结构数据可以显著提高系统生物学模型的准确性和实用性,特别是对于像细胞信号传递这样的动态过程.
更多相关视频
08:49Incorporating Target Protein Structure Flexibility and Dynamics in Computational Drug Discovery Using Ensemble-Based Docking Analysis
Published on: June 20, 2025
07:28JUMPn: A Streamlined Application for Protein Co-Expression Clustering and Network Analysis in Proteomics
Published on: October 19, 2021
相关概念视频
Mechanistic Models: Compartment Models in Individual and Population Analysis
Mechanistic Models: Overview of Compartment Models
Mechanistic Models: Compartment Models in Algorithms for Numerical Problem Solving
In individual population analyses, different algorithms are employed, such as Cauchy's method, which uses a...
Model Approaches for Pharmacokinetic Data: Distributed Parameter Models
The distributed parameter models are specifically designed to account for variations and differences in some drug classes. This model is particularly useful for assessing regional concentrations of anticancer or...
Assembly of Signaling Complexes
Interaction domains in cell signaling
Interaction domains recognize exposed features of their binding partners containing post-translationally modified sequences,...
Physiological Pharmacokinetic Models: Assumption with Protein Binding
