Эта новая модель может помочь расширить применимость моделей машинного обучения для создания белков с желаемыми функциями путем настройки их специфических взаимодействий с другими молекулами любого типа, тем самым эффективно влияя на биотехнологии и клинические приложения
После революции, начатой Deepmind AlphaFold в структурной биологии, тесно связанная с ней область дизайна белков совсем недавно вступила в новую эру достижений благодаря силе глубокого обучения. Однако существующие модели машинного обучения (ML) для проектирования белков были ограничены в своей способности включать небелковые объекты в процесс проектирования, обрабатывая только белковые компоненты. В нашем новом препринте мы представляем новую модель глубокого обучения «CARBonAra», которая учитывает любое молекулярное окружение, окружающее белок, и может создавать белки, связывающие любые молекулы: лиганды, подобные лекарственным препаратам, кофакторы, субстраты, нуклеиновые кислоты или даже другие белки. Используя архитектуру геометрического преобразователя из нашей предыдущей модели машинного обучения, CARBonAra предсказывает белковые последовательности из скелетных каркасов, учитывая при этом ограничения, налагаемые молекулами любой природы. Этот новаторский подход может помочь расширить универсальность моделей машинного обучения для создания белков с желаемыми функциями путем настройки специфических взаимодействий с другими клеточными компонентами любого типа.
Введение
Как специалисты по данным, мы постоянно стремимся раздвинуть границы возможного. Белковый дизайн, то есть создание новых белков с желаемыми функциями и свойствами, является такой областью деятельности; в частности, один с глубокими последствиями для различных дисциплин, от биологии и медицины до биотехнологии и материаловедения. В то время как методы, основанные на физике, добились прогресса в поиске аминокислотных последовательностей, которые складываются в заданную структуру белка, методы глубокого обучения…
