Схематическая иллюстрация структуры DeepPBS. Кредит: Nature Methods (2024). DOI: 10.1038/s41592-024-02372-w
Новая модель искусственного интеллекта, разработанная исследователями USC и опубликованная в Nature Methods, может с точностью предсказать, как различные белки могут связываться с ДНК для разных типов белков, что является технологическим достижением, которое обещает сократить время, необходимое для разработки новых лекарств и других методов лечения.
Инструмент, называемый Deep Predictor of Binding Specificity (DeepPBS), представляет собой геометрическую модель глубокого обучения, разработанную для прогнозирования специфичности связывания белок-ДНК из структур комплексов белок-ДНК. DeepPBS позволяет ученым и исследователям вводить структуру данных комплекса белок-ДНК в онлайн-вычислительный инструмент.
«Структуры комплексов белок–ДНК содержат белки, которые обычно связаны с одной последовательностью ДНК. Для понимания регуляции генов важно иметь доступ к специфичности связывания белка с любой последовательностью ДНК или областью генома», — сказал Ремо Рохс, профессор и основатель кафедры количественной и вычислительной биологии в Колледже литературы, искусств и наук Дорнсайф при Университете Южной Калифорнии.
«DeepPBS — это инструмент ИИ, который заменяет необходимость в высокопроизводительном секвенировании или экспериментах по структурной биологии для выявления специфичности связывания белок–ДНК».
ИИ анализирует, предсказывает структуры белок–ДНК
DeepPBS использует геометрическую модель глубокого обучения, тип подхода машинного обучения, который анализирует данные с использованием геометрических структур. Инструмент ИИ был разработан для захвата химических свойств и геометрических контекстов белок–ДНК для прогнозирования специфичности связывания.
Используя эти данные, DeepPBS создает пространственные графики, иллюстрирующие структуру белка и связь между белками и ДНК-представлениями. DeepPBS также может предсказывать специфичность связывания для различных семейств белков, в отличие от многих существующих методов, которые ограничены одним семейством белков.
«Для исследователей важно иметь метод, который работает универсально для всех белков и не ограничивается хорошо изученным семейством белков. Этот подход также позволяет нам разрабатывать новые белки», — сказал Рохс.
Значительный прогресс в прогнозировании структуры белка
Область предсказания структуры белка быстро развивалась с появлением AlphaFold от DeepMind, который может предсказывать структуру белка по последовательности. Эти инструменты привели к увеличению структурных данных, доступных ученым и исследователям для анализа. DeepPBS работает в сочетании с методами предсказания структуры для предсказания специфичности белков без доступных экспериментальных структур.
Рохс сказал, что DeepPBS имеет множество применений. Этот новый метод исследования может привести к ускорению разработки новых лекарств и методов лечения специфических мутаций в раковых клетках, а также к новым открытиям в синтетической биологии и приложениям в исследовании РНК.
Дополнительная информация: Рактим Митра и др., Геометрическое глубокое обучение специфичности связывания белка и ДНК, Nature Methods (2024). DOI: 10.1038/s41592-024-02372-w
Информация о журнале: Nature Methods
Предоставлено Университетом Южной Калифорнии
