Forskere introducerer DIProT - et interaktivt dybt læringsværktøj til effektivt proteindesign

Forskere har udviklet DIProT, et innovativt, brugervenligt værktøjssæt til proteindesign. Værktøjssættet bruger en ikke-autoregressiv dyb generativ model til at løse problemet med proteinomvendt foldning og integrerer menneskelig ekspertise i designloopet for effektivt og effektivt proteindesign.

Proteindesign, et afgørende aspekt af biologiske videnskaber, involverer at skabe aminosyresekvenser, der foldes til ønskede proteinstrukturer. Denne proces, kendt som protein omvendt foldningsproblem, har været en udfordring i marken.

Til det formål introducerede et team af forskere fra Tsinghua University (THU) i Kina DIProT, et interaktivt proteindesignværktøj, der udnytter en ikke-autoregressiv dyb generativ model til at tackle dette problem.

"Proteiner spiller en afgørende rolle i adskillige biologiske funktioner," forklarer den korresponderende forfatter til undersøgelsen Xiaowo Wang, professor ved Institut for Automation ved Tsinghua University. "Både forudsigelse af strukturen af ​​en given proteinsekvens, som eksemplificeret af AlphaFold, og design af aminosyresekvenser, der er i overensstemmelse med en given proteinstruktur udgør deres unikke udfordringer."

For at udvikle DIProT integrerede forskerne deep learning-modeller med menneskelig ekspertise direkte i designprocessen, hvorved effektiviteten og effektiviteten af ​​proteindesign blev forbedret.

"DIProTs unikke tilgang giver brugerne mulighed for at specificere målstrukturen og rette dele af den sekvens, de ønsker at bevare, hvilket forbedrer designprocessens fleksibilitet," tilføjer Wang. "Værktøjssættet inkorporerer også en proteinstruktur-forudsigelsesmodel til at evaluere designs i silico, der danner en virtuel designloop, der markant forbedrer proteindesigneffektiviteten."

En af nøglefunktionerne ved DIProT er dens brugervenlige grafiske brugergrænseflade (GUI), som integrerer flere algoritmer for at lette en hurtig og intuitiv feedbackdesignloop. GUI'en giver brugerne mulighed for at interagere med designresultaterne visuelt, hvilket hjælper med at forstå og fortolke resultaterne.

Forfatterne, der offentliggjorde deres undersøgelse i tidsskriftet Synthetic and Systems Biotechnology , forventer, at DIProT er yderst anvendeligt til praktiske proteindesignopgaver. "Vi håber, at DIProT vil stimulere yderligere forskning på området og tjene som et nyttigt værktøj til at tackle stadig mere komplekse og forskelligartede proteindesignudfordringer."

Forskerne planlægger at forfine deres omvendte foldemodel og værktøjssæt for at tackle stadig mere komplekse og forskelligartede proteindesignudfordringer i fremtiden.

Flere oplysninger: Jieling He et al, DIProT:Et dybt læringsbaseret interaktivt værktøjssæt til effektivt og effektivt proteindesign, Synthetic and Systems Biotechnology (2024). DOI:10.1016/j.synbio.2024.01.011

Leveret af KeAi Communications Co., Ltd.