RP3Net:一种深度学习模型,用于预测大肠杆菌中重组蛋白质的产生

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:

• 重组蛋白表达对于药物发现和生物技术至关重要.
• 目前的方法在预测蛋白质生产效率方面存在局限性.
• 人工智能为优化重组蛋白表达提供了一个潜在的解决方案.

研究的目的:

• 开发一种人工智能模型,用于预测小规模异质可溶蛋白在大肠杆菌中的表达.
• 利用最近蛋白质和基因组基础模型的进展.
• 提高生物技术应用的蛋白质试剂生产效率.

主要方法:

• 开发了一个人工智能模型RP3Net (重组蛋白质生产预测网络).
• 利用了最近的蛋白质和基因组基础模型.
• 在AstraZeneca和结构基因组学联盟的精选数据上训练,验证和测试RP3Net.

主要成果:

• 与基线模型相比,RP3Net显示接收机运营商曲线下的面积 (AUROC) 显著增加了0.15.
• 对97个构造的实验验证表明RP3Net实现了0.83.8的AUROC.
• 在77%的案例中,RP3Net准确地预测了表达,并在92%的案例中确定了成功的构造.

结论:

• RP3Net增强了对大肠杆菌重组蛋白表达的预测.
• 人工智能模型的性能优于现有方法,提高了蛋白质生产的效率.
• 在麻省理工学院许可证下提供RP3Net,促进了研究和开发的可访问性.