Нейронные сети для изучения взаимосвязей между последовательностью и функцией белков по данным глубокого мутационного сканирования
Neural networks to learn protein sequence–function relationships from deep mutational scanning data
2021-11-23
SCID: 54.1/ww63sezy
Discuss with AI
глубокое мутационное сканированиеграфовая сверточная сетьдомен белка G B1дизайн белковых последовательностейотображение последовательность–функция
Figures from the paper
Abstract (AI)
Отображение аминокислотной последовательности белка в его функцию чрезвычайно сложно, что затрудняет прогнозирование того, как изменения последовательности повлияют на поведение и свойства белка. Мы представляем модель обучения с учителем на основе глубокого обучения, предназначенную для изучения взаимосвязи между последовательностью и функцией по данным глубокого мутационного сканирования и прогнозирования свойств новых, ранее не охарактеризованных вариантов последовательности. Мы исследуем несколько архитектур нейронных сетей, включая графовую сверточную сеть, учитывающую структуру белка, чтобы определить, как внутреннее представление сети влияет на ее способность изучать взаимосвязь между последовательностью и функцией. Наш подход к обучению с учителем демонстрирует более высокую эффективность по сравнению с физическими методами и методами прогнозирования без учителя. Мы показываем, что для изучения взаимосвязи между последовательностью и функцией важны сети, способные учитывать нелинейные взаимодействия и совместно использовать параметры для разных позиций последовательности. Дальнейший анализ обученных моделей выявляет способность сетей усваивать биологически значимую информацию о структуре и механизме функционирования белка. Наконец, мы демонстрируем способность моделей исследовать пространство последовательностей и конструировать новые белки, выходящие за пределы обучающей выборки. Мы применили модели для домена B1 белка G (GB1), чтобы спроектировать последовательность, связывающую иммуноглобулин G с существенно более высокой аффинностью, чем дикий тип GB1.
Key Findings
1
Предложен контролируемый метод глубокого обучения, который изучает связь между последовательностью и функцией белка по данным глубокого мутационного сканирования и предсказывает свойства нехарактеризованных вариантов.
2
Нелинейные взаимодействия и совместное использование параметров между позициями последовательности являются важными архитектурными особенностями для обучения связи между последовательностью и функцией.
3
Контролируемые нейронные сети превосходят физические и неконтролируемые методы при предсказании связей между последовательностью и функцией белка.
4
Модели способны исследовать пространство последовательностей и проектировать белки за пределами обучающей выборки; созданный вариант GB1 связывает иммуноглобулин G значительно сильнее дикого типа GB1.
5
Обученные модели извлекают биологически значимую информацию о структуре белка и молекулярных механизмах, включая модели на основе графовых свёрточных сетей, учитывающие структуру.
Research Object
варианты белковых последовательностей, включая домен B1 белка G (GB1)
Research Subject
взаимосвязи между последовательностью и функцией, а также способность предсказывать и конструировать варианты белков с изменённой функцией, включая аффинность связывания иммуноглобулина G
Publication Details
Publication Date
2021-11-23
Journal
Publisher
ISSN
Cited by
183
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai4
Всеобъемлющий обзор графовых нейронных сетей2020
Вывод формы глобального эпистаза2018
Epistatic Net обеспечивает разреженную спектральную регуляризацию глубоких нейронных сетей для вывода функций приспособленности2021
Исследование факторов, определяющих эффективность машинного обучения при прогнозировании приспособленности белков2025
Работы, цитирующие эту статью4
Глобальный эпистаз на ландшафтах приспособленности2023
MoCHI: нейронные сети для подгонки интерпретируемых моделей и количественной оценки энергий, энергетических взаимодействий, эпистаза и аллостерии по данным глубокого мутационного скрининга2024
Инженерия белков на основе данных для повышения каталитической активности и селективности2023
Исследование факторов, определяющих эффективность машинного обучения при прогнозировании приспособленности белков2025