Avertissement : Cette page est une traduction automatique de cette page à l'origine en anglais. Veuillez noter puisque les traductions sont générées par des machines, pas tous les traduction sera parfaite. Ce site Web et ses pages Web sont destinés à être lus en anglais. Toute traduction de ce site et de ses pages Web peut être imprécis et inexacte, en tout ou en partie. Cette traduction est fournie dans une pratique.

Les algorithmes d'apprentissage automatique accélèrent le procédé de bureau d'études de protéine

Les protéines sont les machines moléculaires de toutes les cellules vivantes et ont été exploitées pour l'usage dans beaucoup d'applications, y compris des catalyseurs de thérapeutique et d'industriel. Pour surmonter les limitations des protéines naturelles, le bureau d'études de protéine est employé pour améliorer des caractéristiques de protéine telles que la stabilité et la fonctionnalité. Dans une étude neuve, les chercheurs expliquent un algorithme d'apprentissage automatique qui accélère le procédé de bureau d'études de protéine. L'étude est rapportée dans les transmissions de nature de tourillon.

Les algorithmes d'apprentissage automatique aident au bureau d'études de protéine en réduisant le fardeau expérimental des méthodes telles que l'évolution dirigée, qui concerne les ronds multiples de l'examen critique de mutagénèse dirigée et de haut-débit. Ils fonctionnent à côté de simuler et de prévoir la forme physique de toutes les séquences possibles de la protéine cible après avoir été formé sur des bases de données de séquence protéique.

Bien que beaucoup d'algorithmes d'apprentissage automatique existent, peu de eux incorporés l'histoire évolutionnaire de la protéine cible. C'est où ECNET (réseau neuronal contexte-intégré évolutionnaire), un algorithme profond-apprenant, entre.

« Avec l'ECNET, nous pouvons regarder la protéine cible et tous ses homologues pour voir quels résidus sont accouplés ensemble et sont pour cette raison importants pour cette protéine particulière, » a dit le professeur de Steven L. Miller Chair de Huimin concevant chimique et biomoléculaire Zhao (schéma leader/CABBI/CGD/GSE/MMG), aussi directeur (NSF) de l'institut financé par le National Science Foundation de laboratoire de générateur de molécule. « Nous alors combinons cette information et employons le cadre apprenant profond pour figurer à l'extérieur ce qu'un peu les mutations sont importantes pour le fonctionnement de protéine cible. »

Dans une étude de benchmark, les chercheurs ont montré l'ECNET surpassant des méthodes actuelles sur plusieurs ensembles de données profonds de mutagénèse dirigée. Comme revue, l'ECNET a été employé pour concevoir le β-lactamase TEM-1 - ; une enzyme qui s'entretient résistance aux antibiotiques de β-lactame - ; et recensez les variantes qui avaient amélioré la forme physique et, étaient pour cette raison plus résistants à l'ampicilline.

En outre, l'ECNET a donné la priorité aux mutants évolués et nouveaux dans l'analyse. Ayant un outil de calcul qui peut avec succès prévoir que les interactions évoluées peuvent réduire des efforts expérimentaux, a dit Zhao.

Nous combinons toutes les protéines dans la base de données avec l'histoire évolutionnaire spécifique de la protéine cible pour améliorer le rendement de prévision. Nous pouvons alors employer les mutants que nous nous produisons de nos expériences davantage pour améliorer et pour former le modèle. Cet algorithme est toujours un travail en cours, mais c'est une amélioration générale sur ce qui est déjà connu dans la littérature. »

Huimin Zhao

Zhao a dit que les chercheurs emploient actuel l'ECNET pour développer des catalyseurs d'enzymes avec des sélectivités améliorées.

Cette étude était un effort conjoint avec le professeur de Jian de l'informatique Peng (CABBI). D'autres auteurs de l'étude incluent Yunan Luo, Guangde Jiang, Tianhao Yu, Yang Liu, Vo de fuite, tintement de Hantian, Yufeng Su, et Wesley Wei Qian.

Ce travail a été supporté par le Département de l'énergie des États-Unis et le NSF.

Source:
Journal reference:

Luo, Y., et al. (2021) ECNet is an evolutionary context-integrated deep learning framework for protein engineering. Nature Communications. doi.org/10.1038/s41467-021-25976-8.