机器学习增强的元蛋白学揭示了在高负载率下对anammox细菌的代谢适应
Tianxu Zhang1, Weidi Zhu1, Shijie Zhou1
1College of Marine and Environmental Sciences, Key Laboratory of Marine Resource Chemistry and Food Technology (TUST), Ministry of Education, Tianjin Key Laboratory of Marine Resources and Chemistry, Tianjin University of Science & Technology, 300457 Tianjin, China.
对于去除至关重要的Anammox细菌,使用机器学习来研究它们的未注释的蛋白质. 这项研究揭示了这些细菌如何在高气条件下适应其新陈代谢,改进了废水处理技术.
科学领域:
- 微生物学 微生物学
- 生物化学 生物化学
- 环境科学 环境科学
背景情况:
- 无氧氨氧化 (anammox) 是一个由anammox细菌驱动的关键生物去除过程.
- 了解anammox细菌蛋白质的功能对于优化除技术至关重要.
- 在Candidatus Kuenenia中,很大一部分蛋白质缺乏明确的功能,阻碍了过程的理解.
研究的目的:
- 在Candidatus Kuenenia anammox细菌中功能性地表征未注释的蛋白质.
- 为了研究在高负载率 (NLR) 下的anammox细菌的代谢适应.
- 建立一种机器学习模型,用于预测异体细菌中的蛋白质功能.
主要方法:
- 超蛋白组学被用来识别Candidatus Kuenenia中的1193种蛋白质.
- 一个机器学习 (ML) 预测算法,利用包括随机森林 (RF) 在内的七个模型,被开发用于功能分类未注释的蛋白质.
- 在不同的负载率 (NLR) 下对蛋白质表达的比较分析.
主要成果:
- 射频模型在预测蛋白质功能方面取得了82.6%的准确性.
- 未表征的蛋白质主要参与氨基酸代谢,辅因子和维生素代谢,碳水化合物代谢,能量代谢和核酸代谢.
- 在高NLR下,阿纳莫克斯细菌重新编程代谢资源分配,氨基酸代谢为关键酶 (HAO,HZS) 提供前体,增加能量和辅助因子代谢支持高负载条件.
结论:
- 机器学习有效地预测了anammox细菌中未注释的蛋白质的功能.
- 在高NLR下,Anammox细菌表现出特定的代谢调节策略,提高了适应能力.
- 这些发现为优化anammox工艺提供了理论基础,以提高效率和抗应力.
更多相关视频
12:47Workflow Based on the Combination of Isotopic Tracer Experiments to Investigate Microbial Metabolism of Multiple Nutrient Sources
Published on: January 22, 2018
08:09An Aquatic Microbial Metaproteomics Workflow: From Cells to Tryptic Peptides Suitable for Tandem Mass Spectrometry-based Analysis
Published on: September 15, 2015
相关概念视频
Metabolism of Chemolithotrophs
Inorganic Nitrogen Assimilation
Microbial Nutrition
Amino Acid Catabolism
Overview of Nitrogen Metabolism
The largest pool of nitrogen available in the terrestrial ecosystem is gaseous nitrogen (N2) from the air, but this...
Proteomics
Proteomics is the study of proteomes' function. It involves the large-scale systematic study of the proteome to denote the protein complement expressed by a genome. Scientist Mark Wilkins coined the term...
