通过混合深度学习架构设计高性能Sec型信号的De Novo设计
Xiao-Peng Dai1, Xiang-Chun Meng1, Ying-Jun Zhou1,2
1State Key Laboratory of Bioreactor Engineering, East China University of Science and Technology, 200237 Shanghai, China.
JACS Au
|October 31, 2025
概括
我们开发了SPgo,这是设计信号的计算框架,显著提高了蛋白质分泌效率. SPgo设计的比天然的性能更好,使得以前具有挑战性的生物技术蛋白质的高产量生产成为可能.
科学领域:
- 生物技术是生物技术.
- 计算生物学 计算生物学
- 蛋白质工程是指蛋白质工程.
背景情况:
- 信号的设计对于蛋白质分泌效率和生物技术中的工业可扩展性至关重要.
- 目前信号优化的方法有限,依赖于自然变异或经验突变.
研究的目的:
- 开发一个计算框架,SPgo,用于Sec型信号的合理设计.
- 通过探索一个巨大的序列空间来克服现有方法的局限性,以改善蛋白质分泌.
主要方法:
- SPgo 结合了基于规则的域组装与支持变压器的深度生成模型.
- 混合架构用于N和C终端区域的生物物理约束,以及用于疏水核心的BERT-LSTM管道.
- 设计的序列在各种蛋白质标中得到验证,包括光蛋白,工业酶和生物活性.
主要成果:
- 在蛋白质分泌效率方面,SPgo设计的信号始终超过了自然序列.
- 获得了前所未有的154mg/L的蛇毒分泌产量,比细胞内表达增加150倍.
- 证明了SPgo的潜力,将以前难以处理的蛋白质目标转化为可行的生物技术平台.
结论:
- SPgo建立了计算蛋白质设计的新范式,超越了自然进化解决方案.
- 该框架在生物制造中提供了即时的应用,并释放了人工序列空间的潜力.
- SPgo数据在GitHub上公开提供,以促进进一步的研究和开发.
