基于卷积神经网络的蛋白质热稳定性预测方法及实验研究

摘要

大部分天然的蛋白质热稳定低的特性，限制了它们在包括生物医药、新型医学材料等行业的更广泛的应用。计算机辅助的理性设计是一种目的性强、效率高的蛋白质热稳定性改造手段，已有许多基于机器学习的方法被设计来预测蛋白质突变对其热稳定性的影响。然而由于对蛋白质突变特征的编码方法忽略了蛋白质序列的顺序特征，因此这些方法具有一定的局限性。在对蛋白质热稳定性相关特征的深入研究的基础上，本文提出了一种基于卷积神经网络的蛋白质热稳定性预测方法，并使用该方法对蛋白质进行了理性设计与实验改造，大幅度提高了蛋白质的热稳定性。主要研究工作与结果摘要如下： (1)本文提出了一种基于卷积神经网络的蛋白质热稳定性预测方法。该方法包括蛋白质突变信息的三维编码方法和基于多尺度卷积的蛋白质突变位点邻域特征提取方法。与其他预测方法相比，本方法在数据集S1615上的准确率达到了86.4%，且其他评价指标也具有相当的竞争力。在S388上的准确率达到87%，且马修斯相关系数比其他方法高出近一倍。这些结果表明本方法能够更有效地学习与蛋白质热稳定相关的信息。 (2)为了验证本方法的实际应用能力，使用米黑根毛霉脂肪酶（Rhizomucor miehei lipase,RML）热稳定性突变实验数据来对本方法进行测试。从蛋白质热力学数据库ProTherm整理并筛选出蛋白质单点突变数据集S3661。基于该数据集建立蛋白质热稳定性预测模型，对RML的突变体进行了热稳定性预测。本方法较RIF策略预测准确率从66.7%提高到75.0%。同时本方法在负样本的分辨能力上大大超过了RIF策略。这表明，本方法在提取突变信息方面，更能分辨出与热稳定性相关的特征。 (3)最后，本方法被应用于枯草芽孢杆菌脂肪酶A（Bacillus subtilislipaseA,LipA）的理性设计与实验改造中。使用预测模型对LipA中各突变体进行的热稳定性预测，并结合FoldX与Rosetta_ddG，构建了一个包含15个突变体的潜在热稳定突变集。经实验改造获得了四个热稳定性显著提高的突变体，即D72I、D72W、G21Q、D72I/G21Q，Tmapp值分别提高了4.2℃、5.2℃、2.1℃和5℃。通过热稳定机制分析发现G21Q中α-螺旋被延长了，而D72I中突变后的Ile与第6位的Val之间形成了5?内的疏水相互作用。另外该氨基酸也与第7位的Val、第5位的Pro间形成了主链内的氢键。

目录

第一个书签之前