
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于 ESM-2 蛋白质语言模型的蛋白质耐脱水性预测框架
《BMC Bioinformatics》:Sequence-based prediction of protein desiccation tolerance using protein language models
【字体: 大 中 小 】 时间:2026年11月17日 来源:BMC Bioinformatics 4.4
编辑推荐:
摘要背景了解蛋白质的耐脱水性对于破解生物体如何在极端脱水条件下生存至关重要。虽然存在许多用于预测蛋白质聚集、溶解性和热稳定性的计算工具,但这些工具仅能捕捉到与干燥状态相关的一部分特性。因此,需要一种专门的计算方法来识别这些独特的耐受特征。结果我们提出了一个高通量深度学习框架,该框
了解蛋白质的耐脱水性对于破解生物体如何在极端脱水条件下生存至关重要。虽然存在许多用于预测蛋白质聚集、溶解性和热稳定性的计算工具,但这些工具仅能捕捉到与干燥状态相关的一部分特性。因此,需要一种专门的计算方法来识别这些独特的耐受特征。
我们提出了一个高通量深度学习框架,该框架利用ESM-2蛋白质语言模型来预测蛋白质的耐脱水性。通过捕捉高维序列表示,我们的模型在不增加显式结构建模计算开销的情况下实现了有竞争力的预测准确性。在独立的测试集上,我们的方法在预测蛋白质的聚集、溶解性和热稳定性方面表现优于传统预测器,这表明耐脱水性反映了这些特性的特定组合。进一步的实验数据表明,该模型能够再现蛋白质在脱水及冻干条件下的排名结果。分析还发现,这种耐受性与预测的结构有序性和酸性表面偏好有关,并且该模型可以应用于其他物种的蛋白质组。
耐脱水性是一种复合的、由序列编码的生物物理特性,可以直接从氨基酸序列中预测出来。该框架能够实现对整个蛋白质组中耐脱水候选基因的筛选,为培育抗旱作物以及稳定无需冷链储存的生物制药产品提供了工具。
了解蛋白质的耐脱水性对于破解生物体如何在极端脱水条件下生存至关重要。虽然存在许多用于预测蛋白质聚集、溶解性和热稳定性的计算工具,但这些工具仅能捕捉到与干燥状态相关的一部分特性。因此,需要一种专门的计算方法来识别这些独特的耐受特征。
我们提出了一个高通量深度学习框架,该框架利用ESM-2蛋白质语言模型来预测蛋白质的耐脱水性。通过捕捉高维序列表示,我们的模型在不增加显式结构建模计算开销的情况下实现了有竞争力的预测准确性。在独立的测试集上,我们的方法在预测蛋白质的聚集、溶解性和热稳定性方面表现优于传统预测器,这表明耐脱水性反映了这些特性的特定组合。进一步的实验数据表明,该模型能够再现蛋白质在脱水及冻干条件下的排名结果。分析还发现,这种耐受性与预测的结构有序性和酸性表面偏好有关,并且该模型可以应用于其他物种的蛋白质组。
耐脱水性是一种复合的、由序列编码的生物物理特性,可以直接从氨基酸序列中预测出来。该框架能够实现对整个蛋白质组中耐脱水候选基因的筛选,为培育抗旱作物以及稳定无需冷链储存的生物制药产品提供了工具。