Новый алгоритм превзошел существующие алгоритмы по точности предсказания функции белка на основании его последовательности. Эффективность подхода ученые подтвердили экспериментально на бактериальном белке антибиотикорезистентности.
Белковая инженерия — раздел биотехнологии, который занимается поиском и созданием белков с улучшенными или совершенно новыми функциями. Один из основных экспериментальных методов белковой инженерии — направленная эволюция, при которой интересующий ученых белок проходит через несколько циклов мутагенеза и последующего отбора удачных вариантов. Хотя этот подход эффективен, он не позволяет проверить все возможные последовательности и требует значительных экспериментальных усилий.
Расширить область поиска новых белков и более детально понять взаимосвязь «последовательность — функция» помогают методы машинного обучения. В новом исследовании ученые из США использовали глубокое обучение, чтобы учесть эволюционный контекст при предсказании функции белка. Подробно о работе алгоритма ECNet (англ. evolutionary context-integrated neural network — нейронная сеть, интегрированная в эволюционный контекст) рассказано в статье, опубликованной в журнале Nature Communications.
Для предсказания функции ECNet использует информацию об аминокислотной последовательности известных «родственников» исследуемого белка — так алгоритм узнает, какие аминокислоты функционально связаны и важны для работы белка. Новый подход оказался точнее, чем другие существующие методы предсказания функции белка, основанные на машинном обучении.
Чтобы экспериментально подтвердить эффективность алгоритма, ECNet использовали для создания β-лактамазы ТЕМ-1 — фермента, придающего устойчивость к β-лактамным антибиотикам, — и выявления вариантов, которые повышали устойчивость к ампициллину.
Сейчас исследователи используют ECNet для разработки ферментов-катализаторов с улучшенной селективностью.
Нашли опечатку? Выделите фрагмент и нажмите Ctrl + Enter.
