科学家使用基于机器学习的结构预测工具阐明植物病原体分泌蛋白的结构

发布日期:2022-05-15
分享页面到微信/手机

请打开扫一扫功能

内容来源: 病原体进化:新的结构预测模型绘制了500种以前未解决的蛋白质 https://www.minixwj.com/news/2191/

机器学习遇到植物病原体

使用基于机器学习的结构预测工具阐明植物病原体分泌蛋白的结构。机器学习和植物-病原体相互作用通常有一个黑匣子。在从输入一级序列到蛋白质结构的预测过程中,我们并不确切知道会发生什么。同样,我们并不完全了解植物和病原体界面的复杂相互作用。中间的盒子捕捉了这个黑盒子里的复杂性。图片来源:Kyungyong Seong 和 Ksenia V. Krasileva

加州大学伯克利分校的科学家们最近发表了一些著作,为思考病原体进化的新方法奠定了基础。“我们的研究强调,对于破坏性真菌病原体稻瘟病菌的分泌蛋白,使用机器学习的无模板建模确实优于基于模板的建模,发表在 MPMI 期刊上的论文的第一作者 Kyungyong Seong

原子力显微镜AFM的基本工作原理

纳米技术(Nanotechnology) 是指在纳米尺度(1nm到10nm之间)上研究物质(包括原子及分子的操纵) 的特性和相互作用,目标是利用原子、分子及物质在纳米尺度上所表现出来的物理、化学及生物学的特性,製造出具有特定功能的产品。

病原体使用称为效应器的毒力因子,这对病原体的生存很重要。同源建模是使用最广泛的方法之一,但这需要使用已求解的效应器结构的模板,并且求解所有效应器结构是一项艰巨的任务。病原体基因组中编码的效应蛋白太多,无法简单地依靠实验解决每一个结构。

Seong 和同事 Ksenia V. Krasileva 使用了一种新的结构预测方法,该方法能够模拟 500 种以前无法通过基于模板的方法预测的分泌蛋白。

XTZ-7075A
XTZ-7075A科研级三目连续变倍体视显微镜

相关产品: 干涉显微镜

“在我们的研究中模拟了 1,854 种分泌蛋白质中的大约 70%,它们的结构基于它们彼此之间的相似性或其他已解决的蛋白质结构提供了有关效应器的额外信息层,”Krasileva 说。“我们证明了新的结构预测方法很好地适用于破译病原体毒力因子和其他分泌蛋白质的问题,这些蛋白质之间或与其他蛋白质之间通常几乎没有序列相似性。”

这种新方法使科学家能够绘制出数千种分泌蛋白质的图谱,并在它们之间建立缺失的进化联系。“我们相信,在机器学习结构预测的新时代,我们的研究首次将结构基因组学概念应用于植物病原体,”Seong 说。

“随着结构预测的准确性进一步提高,看到包含大规模蛋白质结构预测数据的文章将变得越来越普遍,”Krasileva 预测道。“我们的文章可能会引发一些关于如何使用这些数据的想法,从而引导一些科学家抢先探索机会。”

他们还发现,在稻瘟病菌中存在许多新的、序列无关的、结构相似的效应子,并且在其他植物病原体中也发现了结构相似的效应子。这表明病原体可能依赖于一组通常起源但在进化过程中序列差异很大的效应子来感染植物。

相关内容