今日应用
今日话题
30倍于传统方法，中国科学院团队Transformer深度学习模型预测糖-蛋白质作用位点
重点标签 糖类研究、深度学习、DeepGlycanSite、蛋白质结构、糖类药物
文章摘要
摘要：
糖类是自然界中最丰富的有机物质，对生命至关重要。然而，糖类分子的多样性和复杂性，对实验识别糖-蛋白质结合以及相互作用的位点提出了挑战。中国科学院团队开发的 DeepGlycanSite 深度学习模型，通过将蛋白质的几何和进化特征融入具有 Transformer 架构 的深度等变图神经网络中，能够准确预测给定蛋白质结构上的糖结合位点。该模型在独立测试集上的表现显著超越了之前的先进方法，平均马修斯相关系数（MCC）是其他方法的30倍以上。DeepGlycanSite 还能有效识别简单糖类分子的结合位点，并预测蛋白质上的多个糖结合位点，对于理解多价糖缀合物如何影响糖-蛋白相互作用以及生物过程的调控具有重要价值。
研究背景：
糖类在所有生物体的细胞表面普遍存在，与多种蛋白质家族相互作用，调节免疫反应、细胞分化和神经发育等关键生物学过程。理解糖类与蛋白质的相互作用机制是开发糖类药物的基础。然而，糖类结构的多样性和复杂性，尤其是它们与蛋白质结合位点的多变性，给实验数据的获取和药物设计带来了挑战。
DeepGlycanSite 模型：
DeepGlycanSite 是一种深度等变图神经网络 (EGNN) 模型，能够准确预测具有目标蛋白质结构的糖结合位点。该团队利用几何特征（例如残基内和残基间的方向和距离）以及进化信息，在 DeepGlycanSite 中以残基级别的图形表示形式呈现蛋白质。结合具有自注意力机制的 Transformer 块 来增强特征提取和复杂关系发现。
模型性能：
在涉及一百多种独特糖结合蛋白的独立测试集上，研究人员将 DeepGlycanSite 与当前最先进的计算方法进行了比较。结果显示，DeepGlycanSite 的平均马修斯相关系数（MCC）是其他方法的30倍以上，同时远超其他序列基础的预测方法。DeepGlycanSite 能有效识别简单糖类分子的结合位点，并在预测蛋白质上的多个糖结合位点方面表现出色。
实验验证：
研究人员探索了 DeepGlycanSite 对功能重要的 G 蛋白偶联受体 (GPCR) 的应用。利用 AlphaFold2 预测的蛋白质结构和糖类化学结构，DeepGlycanSite 成功检测到了人类 P2Y14 上 GDP-Fuc 的具体结合位点。虽然 AlphaFold2 预测的侧链质量有待提高，但 DeepGlycanSite 对蛋白质结构准确性的依赖较低，能够使用预测的蛋白质结构提供糖-蛋白相互作用的见解。
研究意义：
DeepGlycanSite 在独立测试集和体外案例研究中的验证表明，它是一个有效的糖结合位点预测工具。研究人员可以利用 DeepGlycanSite 预测目标蛋白质上的糖结合口袋，从而促进对糖-蛋白质相互作用的理解。糖类在生物学功能中扮演着关键角色，DeepGlycanSite 不仅有助于解析糖类分子和糖结合蛋白的生物学功能，也为糖类药物的开发提供了有力工具。
文章来源
原文地址: 点我阅读全文
原文作者: 机器之心
相关文章
