MIT最新研究：从氨基酸链片段直接预测蛋白质功能 .docxVIP

PAGE PAGE 1 MIT最新研究：从氨基酸链片段直接预测蛋白质功能 就在几个月前，DeepMind推出了AlphaFold系统，这个被称为生物界“AlphaGo”的系统能够预测并生成蛋白质3D结构。而近日，来自MIT的讨论人员开发了一个新的讨论模型，能够挺直预测链片段是如何打算功能的。这一发觉可以协助讨论人员设计和测试新的蛋白质，从而用于药物研发和生物学讨论。 我们都知道，蛋白质是维持我们生命所必须的浩大而复杂的物质。蛋白质详细能完成什么样的功能，主要取决于它独特的三维结构。因此了解蛋白质的结构，对于预测其对某些药物的反应来说，是一个十分重要的环节。然而，尽管有了数十年的讨论和多种成像技术的辅助，我们仍然只了解到了很多蛋白质结构中的很小一部分，还有无数未知结构的蛋白质功能尚未揭晓。针对这一状况，来自MIT的讨论人员开发出了一种办法，“学习”了蛋白质序列中每个氨基酸位置上简单计算的表征。随后，讨论人员将这些表征输入机器学习模型，让模型挺直预测单个氨基酸片段的功能，而无需任何蛋白质结构的数据。首先，讨论人员用法了来自蛋白质结构分类数据库（SCOP）的约22000种蛋白质，将这些蛋白质根据结构和氨基酸序列的相像性举行分类，并对机器学习模型举行训练。对于每一对蛋白质，讨论人员都会按照其SCOP类别计算出一个结构相像性评分。然后，讨论人员将随机的蛋白质结构对及其氨基酸序列输入机器学习模型，通过编码器将它们转换成数值表示出来，称为嵌入（embedding）。每个嵌入都包含了一对氨基酸序列的相像性信息。该模型将两个嵌入对齐，然后计算出相像度评分，以预测其代表的蛋白质三维结构的相像性。然后，计算机会将这一评分与真切的SCOP相像性评分举行比较，并向编码器发送反馈信号。假如模型的预测分数与真切分数相差较远，则会举行一定的调节。同时，该模型预测了每次嵌入的“接触图”（contact map），即每个氨基酸与该蛋白质中其他氨基酸的距离，并将其预测的接触图与来自SCOP的已知接触图举行比较，然后向编码器发送反馈信号。这一步骤有助于模型更好地明确氨基酸在蛋白质结构中确实切位置，从而进一步了解每个氨基酸的功能。对于某个氨基酸链，该模型可以为三维结构中的每个氨基酸位置生成一个嵌入。然后，机器学习模型可以用法这些序列嵌入，按照其预测的三维结构接触图，来精确?????预测每个氨基酸的功能。在一个应用实例中，讨论人员用法该模型预测有哪些蛋白质可以通过细胞膜，其预测结果比现有的先进模型还要越发精确?????。接下来，讨论人员方案将该模型应用到更多的预测任务中，例如弄清晰哪些序列片段可以与小分子结合，这对于药物研发工作来说是至关重要的。讨论人员表示，这项讨论终于将可以应用于人类健康和药物基因组学，由于它有助于检测破坏蛋白质结构的有害突变。