Hanya dalam beberapa saat, maklumat dinamik protein boleh disimpulkan dengan tepat Model AI RMSF-net Universiti Shandong, Institut Teknologi Beijing dan lain-lain telah diterbitkan dalam sub-jurnal Alam.

Editor |. KX

Dinamik protein adalah penting untuk memahami mekanismenya. Walau bagaimanapun, meramalkan maklumat kinetik protein secara pengiraan adalah mencabar.

Di sini, pasukan penyelidik dari Universiti Shandong, BioMap, Institut Teknologi Beijing, Kolej Perubatan Hubei, Universiti Perubatan Ningxia dan Universiti Sains dan Teknologi King Abdullah (KAUST) mencadangkan model rangkaian saraf RMSF -net, yang mengatasi kaedah sebelumnya dan menghasilkan keputusan terbaik pada set data dinamik protein berskala besar model boleh membuat kesimpulan dengan tepat maklumat dinamik protein dalam beberapa saat.

Dengan belajar secara berkesan daripada penyepaduan data struktur protein eksperimen dan data cryo-EM, kaedah ini dapat mengenal pasti dengan tepat kekangan dwiarah interaktif dan penyeliaan antara imej cryo-EM dan model PDB untuk memaksimumkan Meningkatkan kecekapan ramalan dinamik.

RMSF-net ialah alat percuma untuk digunakan yang akan memainkan peranan penting dalam kajian dinamik protein.

Kajian itu bertajuk "Ramalan Tepat bagi Fleksibiliti Struktur Protein oleh Pembelajaran Mendalam Mengintegrasikan Struktur Atom Rumit dan Maklumat Ketumpatan Cryo-EM" dan diterbitkan dalam "Komunikasi Alam Semulajadi" pada 2 Julai.

Pautan kertas:

• https://www.nature.com/articles/s41467-024-49858-x

RMSF-net GitHub address:

alamat GitHub:🜎 com/XintSong/RMSF-net

Dinamik Protein

Dinamik protein adalah penting dalam memahami mekanismenya. Teknologi cryo-electron microscopy (cryo-EM) boleh menyelesaikan kebanyakan protein, di mana struktur makromolekul diwakili oleh peta ketumpatan 3D.

Keterbatasan mikroskop cryo-elektron

Disebabkan resolusi rendah dan nisbah isyarat-ke-bunyi bagi imej zarah 2D asal, analisis mikroskopi cryo-elektron tidak dapat menyelesaikan perubahan konformasi kecil semasa proses pembinaan semula.

Aplikasi pembelajaran mendalam dalam mikroskopi cryo-elektron

Kaedah pembelajaran mendalam digunakan secara meluas dalam analisis automatik imej mikroskopi cryo-elektron. Menggunakan peta cryo-EM resolusi tinggi, model Protein Data Bank (PDB) boleh dibina daripada peta cryo-EM.

Tinjauan RMSF-net

RMSF-net ialah model rangkaian saraf untuk peta ketumpatan mikroskopi cryo-elektron. Ia memanfaatkan ketumpatan cryo-EM dan maklumat model PDB untuk membuat kesimpulan dengan tepat maklumat dinamik protein dalam beberapa saat.

RMSF

RMSF ialah kaedah pengukuran yang digunakan secara meluas untuk menilai fleksibiliti struktur molekul dalam analisis dinamik molekul (MD). Tujuan utamanya adalah untuk meramalkan RMSF struktur tempatan (sisa, atom) dalam protein.

Imej: RMSF-net. (Sumber: kertas)

Selain imej cryo-EM, RMSF-net menggunakan model PDB sebagai input tambahan untuk menghasilkan ramalan RMSF yang sangat hampir dengan hasil simulasi MD.

RMSF-net ialah rangkaian neural konvolusi tiga dimensi yang mengandungi dua modul yang saling bersambung. Modul utama menggunakan seni bina Unet+ (L3) untuk mengekod dan menyahkod ciri kotak ketumpatan input. Modul lain menggunakan lilitan 1x1 untuk mengundur saluran peta ciri yang dijana oleh tulang belakang Unet+. Keratan tengah kemudian digunakan pada output modul regresi untuk mendapatkan subkotak RMSF berpusat, di mana nilai voxel sepadan dengan RMSF atom yang terkandung di dalamnya. Akhir sekali, kotak kecil RMSF digabungkan secara spatial ke dalam peta RMSF menggunakan algoritma penggabungan.

Selain itu, penyelidik juga membina set data dinamik protein berskala besar untuk latihan dan pengesahan RMSF-net, di mana 335 entri struktur cryo-EM dengan model PDB yang dipasang telah dipilih dan simulasi MD yang sepadan telah dilakukan. Keputusan percubaan yang komprehensif menunjukkan kecekapan dan keberkesanan RMSF-net.

Jadual: Prestasi kaedah ramalan RMSF yang berbeza pada set data. (Sumber: kertas)

Ketepatan ramalan kinetikRMSF-net menunjukkan prestasi yang baik dalam pengesahan silang 5 kali ganda yang ketat, dengan pekali korelasi 0.746±0.127 dengan hasil simulasi MD. Pekali korelasi RMSF-net bertambah baik sebanyak 15% berbanding DEFMap dan sebanyak 10% berbanding kaedah asas.

Kebolehtafsiran ramalan dinamik

Penyelidik meningkatkan kebolehtafsiran ramalan dinamik bersih RMSF melalui eksperimen perbandingan. Mereka membahagikan proses ramalan RMSF kepada dua langkah:

1. Pengekstrakan Maklumat Struktur (Occ2RMSF-net)
2. Ramalan kinematik berdasarkan maklumat struktur yang diekstrak

Kajian telah menunjukkan bahawa ramalan dinamik model berdasarkan spektrum mikroskop cryo-elektron (seperti DEFMaply_cryo) adalah-net mentafsir protein Pelaksanaan struktur. Ini menyerlahkan hubungan antara topologi protein dan dinamik, selaras dengan prinsip pertama hubungan struktur-fungsi.

Ilustrasi: Perbandingan prestasi RMSF-net dan kaedah lain yang berkaitan. (Sumber: kertas)

Selain itu, melalui perbandingan menyeluruh RMSF-net_cryo, RMSF-net_pdb dan gabungan berganda akhir RMSF-net, terbukti bahawa: di satu pihak, maklumat struktur daripada model PDB memainkan peranan utama dalam peranan RMSF-net, di mana model mendalam mempelajari corak antara topologi struktur dan fleksibiliti daripada simulasi MD, dan sebaliknya, model itu dipertingkatkan lagi oleh maklumat kinetik yang terkandung dalam taburan ketumpatan heterogen mikroskop cryo-elektron. peta. Keputusan ini mengesahkan peranan pelengkap maklumat daripada peta cryo-EM dan model PDB pada ramalan dinamik protein dalam RMSF-net.

Keterbatasan dan Halatuju Masa Depan

Tidak dapat dinafikan bahawa RMSF-net terutamanya terhad untuk meramalkan fleksibiliti protein tulen dan kompleksnya dalam larutan. Kaedah ini mungkin menunjukkan ketidaktepatan di kawasan setempat tertentu mengenai sifat dinamik protein apabila terikat kepada ligan molekul kecil atau dalam persekitaran membran.

Prestasi cemerlang RMSF-net mendedahkan kemungkinan penyelidikan lanjut ke arah ini. Penyelidikan ini tidak diperluaskan kepada asid nukleik dan kompleks asid protein-nukleik. Pencirian menyeluruh bagi semua aspek dinamik makromolekul, termasuk ramalan pelbagai konformasi dan analisis peralihan, memerlukan penyelidikan yang lebih luas dan mendalam pada masa hadapan.

Walau bagaimanapun, sebagai alat untuk meramalkan dinamik protein, RMSF-net masih mempunyai prospek aplikasi yang hebat dalam penyelidikan struktur protein dan dinamik kerana prestasinya yang unggul dan kelajuan pemprosesan yang sangat pantas.

Nota: Muka depan datang dari Internet

Atas ialah kandungan terperinci Hanya dalam beberapa saat, maklumat dinamik protein boleh disimpulkan dengan tepat Model AI RMSF-net Universiti Shandong, Institut Teknologi Beijing dan lain-lain telah diterbitkan dalam sub-jurnal Alam.. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!