Nature Methods：研究人员开发人工智能模型，预测蛋白质- DNA结合的准确性

南加州大学的研究人员开发了一种新的人工智能模型，并发表在《自然方法》杂志上，该模型可以准确预测不同类型蛋白质的不同蛋白质如何与DNA结合，这一技术进步有望减少开发新药和其他医学治疗所需的时间。

该工具被称为结合特异性深度预测器(DeepPBS)，是一种几何深度学习模型，旨在从蛋白质- dna复合物结构中预测蛋白质- dna结合特异性。DeepPBS允许科学家和研究人员将蛋白质- dna复合物的数据结构输入到在线计算工具中。

蛋白质- DNA复合物的结构包含通常与单个DNA序列结合的蛋白质。为了理解基因调控，重要的是能够获得蛋白质与任何DNA序列或基因组区域的结合特异性，”南加州大学多恩塞夫文理学院定量和计算生物学教授兼创始主席Remo Rohs说。deepppbs是一种人工智能工具，取代了高通量测序或结构生物学实验来揭示蛋白质- dna结合特异性的需要。”

人工智能分析、预测蛋白质-DNA结构

DeepPBS采用几何深度学习模型，这是一种使用几何结构分析数据的机器学习方法。人工智能工具旨在捕获蛋白质- dna的化学性质和几何背景，以预测结合特异性。

利用这些数据，DeepPBS生成空间图形，说明蛋白质结构以及蛋白质和DNA表示之间的关系。DeepPBS还可以预测不同蛋白质家族的结合特异性，不像许多现有的方法仅限于一个蛋白质家族。

“对于研究人员来说，重要的是要有一种方法可以普遍适用于所有蛋白质，而不仅仅局限于一个充分研究的蛋白质家族。这种方法也允许我们设计新的蛋白质，”Rohs说。

蛋白质结构预测的重大进展

自从DeepMind的AlphaFold出现以来，蛋白质结构预测领域发展迅速，AlphaFold可以根据序列预测蛋白质结构。这些工具增加了可供科学家和研究人员分析的结构数据。DeepPBS与结构预测方法一起工作，用于预测没有可用实验结构的蛋白质的特异性。

Rohs表示，DeepPBS的应用非常广泛。这种新的研究方法可能会加速设计针对癌细胞特定突变的新药和治疗方法，并在合成生物学和RNA研究中带来新的发现和应用。

关于研究:除了Rohs，其他研究作者还包括南加州大学的Raktim Mitra;南加州大学的李金森;加州大学旧金山分校的Jared sgenorf;南加州大学蒋义北;南加州大学的阿里·科恩;南加州大学的赵祖培;以及华盛顿大学的卡梅隆·格拉斯科克。