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
Anthony Gitter, Philip A. Romero, Sam Gelman, Sarah A. Fahlberg, Pete Heinzelman
2021-11-23

глубокое мутационное сканированиеграфовая сверточная сетьдомен белка G B1дизайн белковых последовательностейотображение последовательность–функция
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.
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.

варианты белковых последовательностей, включая домен B1 белка G (GB1)

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
Access Type
Author Information
Authors
Anthony Gitter
Philip A. Romero
Sam Gelman
Sarah A. Fahlberg
Pete Heinzelman
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%