深度MVP:在高质量的数据上训练的深度学习模型准确预测PTM站点和变异引起的变化
Bo Wen1,2,3, Chenwei Wang1,2, Kai Li1,2,4
1Lester and Sue Smith Breast Center, Baylor College of Medicine, Houston, TX, USA.
Nature methods
|August 26, 2025
概括
研究人员开发了PTMAtlas和DeepMVP以预测蛋白质的翻译后修饰 (PTM). 这种深度学习方法准确地识别了改变PTM的变体,进步了疾病机制的理解.
科学领域:
- 分子生物学
- 生物信息学
- 计算生物学
背景情况:
- 后翻译性修改 (PTM) 对蛋白质功能至关重要,它们因误解变体的失调导致疾病.
- 使用深度学习预测PTM地点对于识别PTM改变变体至关重要,但缺乏足够高质量的训练数据.
研究的目的:
- 推出PTMAtlas,一个全面的PTM站点汇编,以及DeepMVP,一个用于PTM站点预测的深度学习框架.
- 评估DeepMVP与现有工具的性能及其在识别PTM改变误解变体中的实用性.
主要方法:
- 241个公共质谱数据集的系统再处理,以整理PTMAtlas,其中包含397,524个PTM站点.
- 开发基于PTMAtlas的DeepMVP深度学习模型,用于预测六种类型的PTM:酸化,乙化,甲基化,化,无处不在化和N-糖化.
- 使用文献精选的变体和癌症蛋白质基因组数据集验证DeepMVP的预测.
主要成果:
- PTMAtlas为PTM研究提供了大量高质量的数据集.
- 在所有六种PTM类型中,DeepMVP显著优于现有的PTM预测工具.
- DeepMVP准确地预测了改变PTM的误解变体,与实验数据有很强的一致性.
结论:
- PTMAtlas和DeepMVP为推进PTM研究提供了一个强大的,集成的平台.
- 这种框架可以通过PTM中断对编码变体的功能后果进行可扩展评估.
- 开发的工具有助于更深入地了解健康和疾病中的PTM.


