通过深度学习驱动的酵母促进子序列的定向优化和生成
Chong Wang1, Shuxin Li2, Xiao Guo3
1School of Medical Engineering, Henan Medical University, Xinxiang, 453000, China; Engineering Technology Research Center of Neurosense and Control of Henan Province, China; Henan International Joint Laboratory of Neural Information Analysis and Drug Intelligent Design, Xinxiang, 453000, China.
International journal of biological macromolecules
|October 25, 2025
概括
一个新的扩散模型DOSDiff通过学习基因序列规则来实现精确的促进器工程. 它优化了基因表达而不需要预先训练的模型,在酵母物种中表现出成功.
科学领域:
- 合成生物学 合成生物学
- 计算生物学是一种计算生物学.
- 分子生物学分子生物学
背景情况:
- 精确控制基因表达对于生物应用至关重要.
- 目前的促销器设计方法受到序列特征的不完全理解和依赖序列到表达式预测器的限制.
- 需要新的计算框架来实现高效和准确的促进器工程.
研究的目的:
- 开发一种基于扩散的框架,DOSDiff,用于学习促销器序列特征并实现有针对性的优化.
- 通过本地序列编辑实现促销器优化,而不需要预先训练的序列到表达模型.
- 为了证明DOSDiff在不同酵母菌种中的有效性和通用性.
主要方法:
- 开发了DOSDiff,这是一个基于扩散的框架,用于推动者设计和优化.
- 采用本地序列编辑用于针对性促进者修改.
- 通过评估4-mers分布相似性来验证促进子生成.
- 在Saccharomyces cerevisiae和Pichia pastoris中对工程促进体进行了体内验证.
主要成果:
- DOSDiff实现了0.8910 ± 0.0002的4mers分布相似性,显著优于WGAN-GP和DBGM.
- 在Saccharomyces cerevisiae中局部优化的基因显示出一对一的表达增强.
- 优化的Pichia pastoris促进剂保持了功能活性,并在体内获得了高达1.70倍的表达增长.
- DOSDiff在不同的酵母物种中展示了泛化能力.
结论:
- DOSDiff提供了一个强大的,适应性的框架,用于精确的推动器工程.
- 该方法通过直接从序列数据中编码规则来克服现有方法的局限性.
- DOSDiff促进了向基因表达控制,并为各种合成生物学应用提供了希望.
