整合AlphaFold2模型和临床数据,以改善短线性基因 (SLiM) 和其变体的致病性评估
Franco Gino Brunello1, Lorenzo Erra1, Juan Nicola2
1Departamento de Química Biológica, Facultad de Ciencias Exactas y Naturales, Universidad de Buenos Aires (FCEyN-UBA) e Instituto de Química Biológica de la Facultad de Ciencias Exactas y Naturales (IQUIBICEN) CONICET, Pabellón 2 de Ciudad Universitaria, Ciudad de Buenos Aires, Argentina.
PLoS computational biology
|August 4, 2025
概括
短线性图案 (SLiM) 对蛋白质相互作用和疾病至关重要. 这项研究使用AlphaFold2增强了SLiM预测,改善了变体有害性评估,以获得更好的临床基因组学.
科学领域:
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
- 结构生物学 结构生物学
背景情况:
- 短线性图案 (SLiM) 调解关键蛋白相互作用,破坏它们的变体导致孟德尔病.
- 现有的生物信息工具用于SLiM识别往往缺乏具体性.
- 由于结构数据有限,预测SLiM中序列变异的功能影响具有挑战性.
研究的目的:
- 将AlphaFold2预测结构集成到MotSASi方法中,以增强SLiM识别和变异效应预测.
- 在SLiM中生成单氨基酸替代的准确耐受度矩阵.
- 改善变体有害性的预测,并帮助临床基因组学.
主要方法:
- 利用AlphaFold2 (AF2) 来建模SLiM受体复杂结构,克服稀缺实验数据的局限性.
- 应用了使用AF2生成结构作为输入的MotSASi方法.
- 将更新的MotSASi与AlphaMissense的性能进行了比较,以预测变体的有害性.
主要成果:
- AF2衍生结构准确地复制了已知的蛋白质数据库 (PDB) 结构,并反映了已知的变异效应.
- 更新的MotSASi方法在预测SLiM功能和变异影响方面表现出强的表现.
- 在评估变体有害性方面,MotSASi表现优于AlphaMissense.
结论:
- AlphaFold2 建模为 MotSASi 提供了高质量的结构输入,扩大了功能 SLiM 的预测能力.
- 这种方法提供了SLiM变异及其有害性的全面目录,与临床基因组学标准保持一致.
- 改进的变体解释有助于诊断遗传疾病和推进临床基因组学.


