AIGC動態(tài)歡迎閱讀

原標題：無實驗數(shù)據(jù)指導蛋白質(zhì)定向進化，上海交大洪亮課題組發(fā)表微環(huán)境感知圖神經(jīng)網(wǎng)絡 ProtLGN
關鍵字：蛋白質(zhì),突變,模型,氨基酸,突變體
文章來源：HyperAI超神經(jīng)
內(nèi)容字數(shù)：0字

內(nèi)容摘要：

作者：加零
編輯：李寶珠，三羊
上海交通大學洪亮課題組研發(fā)了一種名為 PROTLGN 的微環(huán)境感知圖神經(jīng)網(wǎng)絡，能夠從蛋白質(zhì)三維結(jié)構(gòu)中學習并預測有益的氨基酸突變位點，指導具有不同功能白質(zhì)單位點突變和多位點突變設計。在現(xiàn)代生物技術和醫(yī)藥研究中，蛋白質(zhì)工程扮演著至關重要的角色。通過修改蛋白質(zhì)的氨基酸序列，蛋白質(zhì)工程可以改善或賦予蛋白質(zhì)新的生物化學性質(zhì)，如增強酶的催化效率、提高藥物的親和力或改善其熱穩(wěn)定性。這些改進對于開發(fā)新藥、治療疾病以及提高生物制造的效率等方面都是非常關鍵的。
蛋白質(zhì)工程需要從數(shù)以萬計的候選突變體中篩選出最優(yōu)突變體，其中的有利突變是指那些能夠改善蛋白質(zhì)某一或多個生物化學屬性的遺傳變異，增強蛋白質(zhì)的穩(wěn)定性、親和力、選擇性或催化效率，使其更適合特定的應用。然而，通過實驗驗證高適應性突變體的成本大、時間長，此外，多個有益突變的組合往往會受到負表觀遺傳效應的影響，使得蛋白質(zhì)的功能因突變而降低，這些因素都在不同程度上增加了高效蛋白質(zhì)設計的復雜性。
近幾年，基于深度學習的預測與篩選方法在實際應用中得到了驗證與應用：通過分析大量數(shù)據(jù)，學習蛋白質(zhì)序列、結(jié)構(gòu)與功能的關系，能夠提高蛋白質(zhì)設計的

原文鏈接：無實驗數(shù)據(jù)指導蛋白質(zhì)定向進化，上海交大洪亮課題組發(fā)表微環(huán)境感知圖神經(jīng)網(wǎng)絡 ProtLGN

聯(lián)系作者

文章來源：HyperAI超神經(jīng)
作者微信：HyperAI
作者簡介：解構(gòu)技術先進性與普適性，解讀更前沿的 AIForScience 案例