使用深度学习进行β桶和跨膜纳米孔的参数导向设计
David E Kim1,2,3, Joseph L Watson1,2,3, David Juergens1,2,3
1Department of Biochemistry, University of Washington, Seattle, WA 98195.
概括
通过深度学习增强的参数设计方法,现在可以精确控制β桶蛋白结构. 这一突破简化了创建新型蛋白质设计的过程,包括功能性跨膜纳米孔.
科学领域:
- 蛋白质工程是一种蛋白质工程.
- 计算生物学是一种计算生物学.
- 生物物理学的生物物理.
背景情况:
- 全球参数化成功指导了卷轴蛋白质设计.
- 使用二维蓝图的β桶蛋白设计是复杂的,需要专业知识,限制了对全球形状的控制.
研究的目的:
- 使用深度学习来概括beta桶结构的参数设计.
- 为了实现对β桶蛋白形状和功能的精确控制.
主要方法:
- 参数生成的贝塔桶骨架的背骨.
- 使用基于RoseTTAFold的方法 (RFjoint inpainting和RFdiffusion) 纳入骨干不规则.
- 设计的β桶的in silico和实验验证.
主要成果:
- 高精度β桶的成功设计,通过X射线结晶学证实.
- 具有可调节导电量 (200-500 pS) 的跨膜纳米孔的新设计.
- 在各种β表参数化中,成功率高.
结论:
- 参数生成与深度学习相结合,简化和增强β桶蛋白设计.
- 这种方法为特定功能提供了对蛋白质形状的精确控制,例如纳米孔的创造.
- 该方法使复杂的蛋白质设计更容易获得和可指定.
