基于物理的深度学习,用于纳米级蛋白质动态在溶液中的等离子体传感
Chenchen Wu1,2,3, Shiyu Yang1,2,3, Kebo Zeng4
1Laboratory of Nanophotonic Materials and Devices, National Center for Nanoscience and Technology, Chinese Academy of Sciences, Beijing 100190, China.
Science advances
|September 26, 2025
概括
我们开发了一种新的等离子体传感器和基于物理的深度学习模型,以准确量化水中的纳米级蛋白质二次结构. 这一进步克服了预测蛋白质动态和相互作用的数据限制.
科学领域:
- 生物物理学的生物物理.
- 频谱学是一种光谱学.
- 人工智能的人工智能
背景情况:
- 量化水溶液中的蛋白质二次结构对于了解蛋白质的行为至关重要.
- 目前的深度学习模型在水性环境中与数据限制作斗争.
研究的目的:
- 开发一种准确的方法,实时量化纳米级蛋白质二次结构在现场.
- 为了克服阻碍蛋白质动态深度学习的数据稀缺性.
主要方法:
- 将一个中红外等离子体传感器与一个合成的复杂频波 (s-CFW) 信息的卷积神经网络 (CNN) 集成.
- 在10纳米以下的蛋白质中直接探测胺I带.
- 使用s-CFW来放大光谱特征以进行增强分析.
主要成果:
- 基于物理学的CNN在预测二次结构百分比时实现了小于0.1的平均相对误差.
- 开发的方法证明了标准CNN的两倍以上的准确性.
- 在蛋白质组装过程中能够实地和实时量化蛋白质组装过程中的形状变化.
结论:
- 综合传感器和人工智能方法为研究生理条件下的蛋白质动态提供了强大的工具.
- 解决了蛋白质科学的先进深度学习模型开发中的关键数据局限性.
- 有助于更深入地了解蛋白质相互作用和结构变化.
