30倍于传统方法,中国科学院团队Transformer深度学习模型预测糖-蛋白质作用位点

AI最新资讯2周前发布 tree
12 0 0

今日应用


今日话题


30倍于传统方法,中国科学院团队Transformer深度学习模型预测糖-蛋白质作用位点
30倍于传统方法,中国科学院团队Transformer深度学习模型预测糖-蛋白质作用位点
 

重点标签 糖类研究深度学习DeepGlycanSite蛋白质结构糖类药物

文章摘要


摘要:
糖类是自然界中最丰富的有机物质,对生命至关重要。然而,糖类分子的多样性和复杂性,对实验识别糖-蛋白质结合以及相互作用的位点提出了挑战。中国科学院团队开发的 DeepGlycanSite 深度学习模型,通过将蛋白质的几何和进化特征融入具有 Transformer 架构 的深度等变图神经网络中,能够准确预测给定蛋白质结构上的糖结合位点。该模型在独立测试集上的表现显著超越了之前的先进方法,平均马修斯相关系数(MCC)是其他方法的30倍以上。DeepGlycanSite 还能有效识别简单糖类分子的结合位点,并预测蛋白质上的多个糖结合位点,对于理解多价糖缀合物如何影响糖-蛋白相互作用以及生物过程的调控具有重要价值。

研究背景:
糖类在所有生物体的细胞表面普遍存在,与多种蛋白质家族相互作用,调节免疫反应、细胞分化和神经发育等关键生物学过程。理解糖类与蛋白质的相互作用机制是开发糖类药物的基础。然而,糖类结构的多样性和复杂性,尤其是它们与蛋白质结合位点的多变性,给实验数据的获取和药物设计带来了挑战。

DeepGlycanSite 模型:
DeepGlycanSite 是一种深度等变图神经网络 (EGNN) 模型,能够准确预测具有目标蛋白质结构的糖结合位点。该团队利用几何特征(例如残基内和残基间的方向和距离)以及进化信息,在 DeepGlycanSite 中以残基级别的图形表示形式呈现蛋白质。结合具有自注意力机制的 Transformer 块 来增强特征提取和复杂关系发现。

模型性能:
在涉及一百多种独特糖结合蛋白的独立测试集上,研究人员将 DeepGlycanSite 与当前最先进的计算方法进行了比较。结果显示,DeepGlycanSite 的平均马修斯相关系数(MCC)是其他方法的30倍以上,同时远超其他序列基础的预测方法。DeepGlycanSite 能有效识别简单糖类分子的结合位点,并在预测蛋白质上的多个糖结合位点方面表现出色。

实验验证:
研究人员探索了 DeepGlycanSite 对功能重要的 G 蛋白偶联受体 (GPCR) 的应用。利用 AlphaFold2 预测的蛋白质结构和糖类化学结构,DeepGlycanSite 成功检测到了人类 P2Y14 上 GDP-Fuc 的具体结合位点。虽然 AlphaFold2 预测的侧链质量有待提高,但 DeepGlycanSite 对蛋白质结构准确性的依赖较低,能够使用预测的蛋白质结构提供糖-蛋白相互作用的见解。

研究意义:
DeepGlycanSite 在独立测试集和体外案例研究中的验证表明,它是一个有效的糖结合位点预测工具。研究人员可以利用 DeepGlycanSite 预测目标蛋白质上的糖结合口袋,从而促进对糖-蛋白质相互作用的理解。糖类在生物学功能中扮演着关键角色,DeepGlycanSite 不仅有助于解析糖类分子和糖结合蛋白的生物学功能,也为糖类药物的开发提供了有力工具。

文章来源


原文地址: 点我阅读全文
原文作者: 机器之心

© 版权声明

相关文章

暂无评论

暂无评论...