一种结构机器学习方法,用于快速预测热力学不稳定的氨酸酸化

科学领域:

• 生物化学和分子生物学
• 计算生物学和生物信息学
• 癌症研究 癌症研究

背景情况:

• 氨酸酸化在许多疾病中起着至关重要的作用,但在数千种蛋白中确定功能性重要部位是具有挑战性的.
• 了解酸化对蛋白质稳定性的影响对于破译疾病机制至关重要.

研究的目的:

• 开发和验证一种机器学习方法,用于预测氨酸酸化后热力学稳定性 (ΔΔG) 的变化.
• 将这种方法应用于大规模的数据集,以确定癌症中可能破坏稳定的酸化.

主要方法:

• 利用在结构特征上训练的机器学习模型来预测相仿性稳定性 (ΔΔG).
• 对实验性酸化稳定性和突变扫描数据的验证预测.
• 应用该模型来预测AlphaFold2和PhosphoSitePlus数据库中的所有氨酸残留物的ΔΔG,以及全癌症蛋白组学数据集.

主要成果:

• 机器学习方法与预测酸化稳定性的实验数据显示出强烈的相关性 (R = 0.55-0.67).
• 在11种癌症亚型中,在瘤基因和瘤抑制剂中确定了潜在的破坏稳定的铁酸化.
• 证明预测的ΔΔG值和蛋白质电路拓可以区分癌症调节失调的蛋白.

结论:

• 开发的机器学习方法为预测氨酸酸化的热力学影响提供了一个强大的工具.
• 这种方法可以快速选破坏稳定的酸化和相仿性突变,促进疾病相关标的识别.
• 这些发现有助于更深入地了解酸化在癌症发病过程中的作用.