研究人员使用人工智能来识别蛋白质上的RNA结合位点

来源：news medical |作者：Sally Robertson|校审：Kate Anderton | 2019-10-30 | 翻译：聚生物

阿卜杜拉国王科学技术大学（KAUST）的研究人员开发了一种人工智能（AI）工具，可以精确检测蛋白质表面与RNA分子结合的部位。

Juan Gaertner / Shutterstock.com

该工具被称为“核酸网”(NucleicNet)，它的性能优于其他计算工具，为药物的设计和开发提供了帮助。

Jordy Homeing Lam，共同第一作者：“RNA结合是许多蛋白质的一个基本特征。我们的基于结构的计算框架可以揭示这些蛋白质的详细RNA结合特性，这对于表征许多疾病的病理学非常重要。”

蛋白质通常与RNA分子相互作用，调节基因转录的处理和运输。当这种相互作用失效时，细胞功能就会被破坏，从而导致疾病，包括癌症和神经退行性疾病。

利用深度学习研究蛋白质与RNA的相互作用

为了研究RNA分子的哪些部分与蛋白质表面的不同部分结合，研究小组使用了一种叫做深度学习的人工智能技术。Lam和他的同事Xin Gao和Yu Li训练核酸网自动学习使蛋白质和RNA相互作用的结构特征。

为了研究RNA分子的哪些部分与蛋白质表面的不同部分结合，研究小组采用了一种叫做深度学习的人工智能技术。Lam和他的同事Xin Gao和Yu Li训练核酸网自动学习使蛋白质和RNA相互作用的结构特征。

为了训练深度学习算法，研究人员使用了公共数据库中158个不同蛋白质- rna复合物的3D结构数据。

当研究小组将核酸网与其他依赖序列数据而非结构数据的预测工具进行比较时，他们发现他们的软件是最准确的工具，可以用来确定蛋白结合RNA分子表面的位置。

与其他模型不同的是，NucelicNet还可以预测RNA的哪些部分与蛋白质结合，它是糖-磷酸主干的一个区域还是四个碱基中的一个。

软件的验证

接下来，研究人员与中国和美国的同事合作，使用一组不同的RNA结合蛋白验证了他们的软件，以证明由NucelicNet确定的相互作用与由实验技术确定的相互作用极其匹配。

“其他计算框架很少考虑基于结构的特性，”Lam说。“我们利用了深入学习的力量来推断这些微妙的互动。”

对预测RNA结合位点和对所研究的任何蛋白的结合偏好感兴趣的研究人员可以公开获得NucelicNet。

Source:

NucliecNet

Journal reference:

Lam, J. H., et al. (2019). A deep learning framework to predict binding preference of RNA constituents on protein surface. Nature Communications. DOI: 10.1038/s41467-019-12920-0.

郑重声明：本网所有文章（包括图片和音视频资料）系出于传递更多信息之目的，且明确注明来源和作者。不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。所有文章版权归原作者所有,且仅代表作者观点，不代表本站立场。如作者信息标记有误，请第一时间联系我们修改或删除，谢谢。