
-
生物通官微
陪你抓住生命科技
跳动的脉搏
经过实验验证的深度学习方法在控制蛋白质聚集方面的应用
《Communications Chemistry》:Experimentally validated deep learning control of protein aggregation
【字体: 大 中 小 】 时间:2026年04月29日 来源:Communications Chemistry 6.2
编辑推荐:
摘要 识别蛋白质中易于聚集的区域并通过突变来抑制这些聚集现象,是一种提高蛋白质溶解度和产量的有效策略,从而显著扩展了它们的应用范围。在这里,我们开发并实验验证了一个基于深度神经网络的预测工具AggreProt,该工具可以为蛋白质序列生成残基级别的聚集特征谱。该
识别蛋白质中易于聚集的区域并通过突变来抑制这些聚集现象,是一种提高蛋白质溶解度和产量的有效策略,从而显著扩展了它们的应用范围。在这里,我们开发并实验验证了一个基于深度神经网络的预测工具AggreProt,该工具可以为蛋白质序列生成残基级别的聚集特征谱。该模型在两个独立的数据集上的表现优于或至少与当前最先进的算法相当,这两个数据集包含了带有聚集倾向区域注释的六肽和全长蛋白质。重要的是,我们使用模型中识别出的34种六肽(来自LinB卤代烷脱卤酶蛋白)以及AmyPro数据库中的7种蛋白质对模型进行了实验验证。实验结果在79%的情况下与我们的预测一致,并揭示了一些数据库注释的不准确性。最后,通过识别LinB酶中的易聚集区域并设计突变来抑制这些区域的聚集,证明了该算法的实用性。所得到的突变体表现出较低的聚集倾向、更高的溶解度,其产量相比野生型提高了多达100%。AggreProt可通过一个用户友好的网络服务器免费提供给科学界:https://loschmidt.chemi.muni.cz/aggreprot。