Биологи создали карту для поиска новых белков
Ученые из Техасского университета в Далласе используют машинное обучение для изучения белков, что может повлиять на белковую инженерию, здоровье человека и отслеживание эволюции белков, связанных с инфекционными заболеваниями.
Команда под руководством доктора Фарука Моркоса, доцента биологических наук, использует передовые компьютерные методы для создания 3D-«ландшафта», который позволяет визуализировать, как можно сконструировать новые жизнеспособные белки.
«Этот скрытый генеративный ландшафт представляет собой прогресс в моделировании белков и, вместе с опубликованным нами программным обеспечением, является доступным инструментом для тех, кто стремится генерировать, конструировать или изучать белки и их функции», — сказала аспирант по вычислительной биологии Шайенн Циглер, один из ведущих авторов статьи, опубликованной 19 апреля в Nature Communications.
Белки состоят из последовательностей аминокислот. Новый подход команды анализирует эволюцию белков и строит карты, рассматривая как существующие белки, так и генерируя потенциальные последовательности.
Используя вариационные автоэнкодеры (VAE) — модель обучения без учителя, включающую нейронную сеть, и коэволюционное моделирование, — ученые могут классифицировать белковые последовательности по их эволюционным изменениям и функциям, а затем генерировать новые последовательности с оценкой их совместимости с реальной функцией.
«Близость белков друг к другу на этой виртуальной карте означает большее сходство в функции. Карта подсказывает, где у нас выше шанс создать функциональный новый белок», — пояснил Моркос.
Исследователи использовали математические методы для создания пиков и долин в виртуальном ландшафте. Эти барьеры представляют наборы маловероятных последовательностей, которые помогают изолировать группы белков по их функции или эволюционной траектории.
Цветовое кодирование добавляет третье измерение описания. Существующие белки сосредоточены в темных областях.
«Темно-синие регионы — это долины высокой пригодности, где большинство белков выглядят как то, что может существовать. Эти последовательности могут стать реальными белками. Более яркие регионы менее исследованы и, вероятно, не очень пригодны», — сказал Моркос.
Система также может каталогизировать белки с неизвестной функцией в процессе аннотации.
«Большинство существующих белковых последовательностей еще не имеют аннотации — метки, указывающей на функцию или местоположение. Наша карта — эффективный способ предсказать функцию нового белка, зная, что делают его соседи», — заключил Моркос.