- 定做培养基/定制培养基
- 颗粒培养基
- 标准菌株生化鉴定试剂盒
- 2020年版中国药典
- 促销/特价商品
- 院感/疾控/体外诊断/采样管
- 样品采集与处理(均质)产品
- 按标准检索培养基
- 预灌装即用型成品培养基
- 模拟灌装用培养基
- 干燥粉末培养基
- 培养基添加剂/补充剂
- 生化反应鉴定管
- 染色液等配套产品
- 对照培养基/标准品
- 实验耗材与器具
- 生化试剂/化学试剂
- 菌种鉴定服务
行业动态
您现在的位置： 网站首页 >> 行业动态
学者提出新型蛋白质适应度预测模型
[所属分类:行业动态] [发布时间:2025-1-17] [发布人:杨晓燕] [阅读次数:] [返回]
学者提出新型蛋白质适应度预测模型
作者：朱汉斌，冀早早 来源：中国科学报
山东拓普生物工程有限公司 http://www.topbiol.com
华南理工大学教授韩双艳团队提出了一种具有自主知识产权的新型蛋白质适应度预测模型——scut-ProFP，并利用该模型成功设计和实现了果胶裂解酶的17位点重组迭代，最优突变体较野生型在高温下热稳定性提升67倍。近日，相关成果分别发表于《蛋白质科学》和《国际生物大分子杂志》。
蛋白质氨基酸序列与其功能之间的映射关系可用蛋白质适应度地形表示，寻找解析适应度地形上最高点所对应的氨基酸序列则可能获得进化最优的蛋白，这也是蛋白质改造的目标。然而，多位点变异组合后导致可能的序列数量非常庞大，传统的方法（如定向进化）难以全面探索，容易陷入局部最优。近年来，数据驱动的机器学习为探索适应度地形提供了新的可能。但如何从有限的蛋白质序列中提取关键特征，以优化模型性能，仍是一个亟待解决的问题。
在该研究中，研究人员在国家重点研发计划等项目的资助下，提出了一种具有自主知识产权的命名为scut-ProFP的蛋白质适应度预测模型。该模型通过特征组合全面整合序列信息，并结合高效特征选择算法优化模型性能，实现“序列-功能”精准映射。与现有方法（如PyPEF、PySAR，以及深度学习模型ECNet、EVmutation和UniRep）相比，scut-ProFP在多项指标上均表现卓越，并能够有效捕捉突变位点间复杂的上位性效应，避免遗漏关键突变组合，同时可以从低阶突变体泛化到高阶突变体。
研究人员将scut-ProFP应用于真实的蛋白质工程任务，聚焦酶进化中多位点高效重组关键难题，以果胶裂解酶PMGL-Ba为研究对象，利用scut-ProFP指导了该酶的17位点组合突变。在仅拥有152个样本（约占整个序列空间的0.08%）的情况下，通过两轮迭代，探索了组合序列空间中约20万种可能的突变体，最终获得60个具有卓越热稳定性的组合突变体，设计成功率达100%。其中，最佳突变体P36在75℃和80℃下的半衰期分别提高了67倍和39倍，同时突变体活性提高了2.1倍。
论文通讯作者韩双艳表示，scut-ProFP在小样本条件下能够高效识别高适应度突变体，显著减少湿实验工作量，尤其在多位点组合突变优化方面，scut-ProFP不仅克服了传统方法在高维突变空间中的“组合爆炸”问题，还能有效捕捉突变间复杂的上位性效应，从而实现更优异的突变体设计，为机器学习指导蛋白质进化与改造提供了一种新途径。
相关论文信息：https://doi.org/10.1002/pro.5211
https://doi.org/10.1016/j.ijbiomac.2024.134530
（本文内容来源于网络，版权归原作者所有，如有侵权可后台联系删除。）
作者：朱汉斌，冀早早 来源：中国科学报
山东拓普生物工程有限公司 http://www.topbiol.com
华南理工大学教授韩双艳团队提出了一种具有自主知识产权的新型蛋白质适应度预测模型——scut-ProFP，并利用该模型成功设计和实现了果胶裂解酶的17位点重组迭代，最优突变体较野生型在高温下热稳定性提升67倍。近日，相关成果分别发表于《蛋白质科学》和《国际生物大分子杂志》。
蛋白质氨基酸序列与其功能之间的映射关系可用蛋白质适应度地形表示，寻找解析适应度地形上最高点所对应的氨基酸序列则可能获得进化最优的蛋白，这也是蛋白质改造的目标。然而，多位点变异组合后导致可能的序列数量非常庞大，传统的方法（如定向进化）难以全面探索，容易陷入局部最优。近年来，数据驱动的机器学习为探索适应度地形提供了新的可能。但如何从有限的蛋白质序列中提取关键特征，以优化模型性能，仍是一个亟待解决的问题。
在该研究中，研究人员在国家重点研发计划等项目的资助下，提出了一种具有自主知识产权的命名为scut-ProFP的蛋白质适应度预测模型。该模型通过特征组合全面整合序列信息，并结合高效特征选择算法优化模型性能，实现“序列-功能”精准映射。与现有方法（如PyPEF、PySAR，以及深度学习模型ECNet、EVmutation和UniRep）相比，scut-ProFP在多项指标上均表现卓越，并能够有效捕捉突变位点间复杂的上位性效应，避免遗漏关键突变组合，同时可以从低阶突变体泛化到高阶突变体。
研究人员将scut-ProFP应用于真实的蛋白质工程任务，聚焦酶进化中多位点高效重组关键难题，以果胶裂解酶PMGL-Ba为研究对象，利用scut-ProFP指导了该酶的17位点组合突变。在仅拥有152个样本（约占整个序列空间的0.08%）的情况下，通过两轮迭代，探索了组合序列空间中约20万种可能的突变体，最终获得60个具有卓越热稳定性的组合突变体，设计成功率达100%。其中，最佳突变体P36在75℃和80℃下的半衰期分别提高了67倍和39倍，同时突变体活性提高了2.1倍。
论文通讯作者韩双艳表示，scut-ProFP在小样本条件下能够高效识别高适应度突变体，显著减少湿实验工作量，尤其在多位点组合突变优化方面，scut-ProFP不仅克服了传统方法在高维突变空间中的“组合爆炸”问题，还能有效捕捉突变间复杂的上位性效应，从而实现更优异的突变体设计，为机器学习指导蛋白质进化与改造提供了一种新途径。
相关论文信息：https://doi.org/10.1002/pro.5211
https://doi.org/10.1016/j.ijbiomac.2024.134530
（本文内容来源于网络，版权归原作者所有，如有侵权可后台联系删除。）
