一种新的人工智能模型可以准确预测各种蛋白质与DNA的相互作用。
南加州大学的研究人员开发了一种创新的人工智能模型，该模型在《自然方法》期刊上发表，可以可靠地预测多种蛋白质如何与DNA结合。这项突破性的技术预计将缩短新药和医疗治疗的开发时间。
该工具名为深度结合特异性预测器（DeepPBS），利用几何深度学习框架根据蛋白质-DNA复合物的结构确定蛋白质-DNA结合特异性。DeepPBS使科学家能够将这些复合物的结构数据上传至基于网络的计算工具。
“蛋白质-DNA复合物结构通常涉及附着于单一DNA序列的蛋白质。为了更好地理解基因调控，了解蛋白质如何与多种DNA序列或基因组区域结合至关重要，”南加州大学德恩西夫文理学院定量与计算生物学系教授、创始主任Remo Rohs解释道。“DeepPBS作为一种人工智能解决方案，消除了通过高通量测序或结构生物学实验来确定蛋白质-DNA结合特异性的需求。”
人工智能评估和预测蛋白质–DNA相互作用
DeepPBS使用几何深度学习模型，这是一种通过几何形状解释数据的机器学习技术。该人工智能工具旨在理解蛋白质-DNA相互作用的化学特征和几何排列，从而实现对结合特异性的准确预测。
通过处理这些信息，DeepPBS创建了表示蛋白质结构及蛋白质与DNA模型之间连接的空间图。与许多当前专注于特定蛋白质家族的方法不同，DeepPBS能够跨多个蛋白质家族预测结合特异性。
“为研究人员提供一种通用的方法是至关重要的，这种方法并不局限于特定的研究深入的蛋白质家族。这种能力还使我们能够设计新的蛋白质，”Rohs表示。
在预测蛋白质结构方面取得重大进展
自DeepMind推出AlphaFold以来，蛋白质结构预测领域取得了显着进展，该技术可以从序列中识别蛋白质结构。这些进展扩大了科学家和研究人员可以分析的结构数据量。DeepPBS补充了结构预测技术，以预测缺乏实验结构的蛋白质的特异性。
Rohs强调了DeepPBS的广泛潜在应用。这个开创性的研究方法可能加速针对癌细胞特定突变的新药和治疗的开发，同时促进合成生物学和RNA研究的突破。
关于这项研究：研究团队除了Rohs外，还包括南加州大学的Raktim Mitra、Jinsen Li、Yibei Jiang、Ari Cohen和Tsu-Pei Chiu；加州大学旧金山分校的Jared Sagendorf；以及华盛顿大学的Cameron Glasscock。
这项研究主要由NIH资助，资助号为R35GM130376。
