Прогнозирование стабильности ферментов

Задача

Ферменты (энзимы) – это белки, действующие как катализаторы в химических реакциях в живых организмах. Они играют основополагающую роль в различных биологических процессах и применяются во многих отраслях промышленности. Ферменты добавляют при производстве пищевых продуктов и напитков, улучшая качество продукции. Они используются в разработке фармацевтических препаратов и жизненно важны для превращения биомассы в биотопливо. Это всего лишь несколько примеров разнообразных способов применения ферментов.

Однако важно отметить, что многие ферменты имеют проблемы, связанные со стабильностью, особенно в неблагоприятных условиях. Эта нестабильность не только влияет на их продуктивность, но и ограничивает количество белка, который может вырабатываться в клетке. Поэтому существует настоятельная потребность в эффективных вычислительных методах для прогнозирования и повышения стабильности белка, что вызывает значительный интерес как в технической, так и в научной сферах.

Понимание и точное прогнозирование стабильности белков является основополагающей задачей в биотехнологии. Эти знания широко используются: от повышения эффективности ферментов до решения глобальных проблем в сфере устойчивого развития или углеродной нейтральности. Повышение стабильности ферментов может ускорить темпы научных экспериментов и снизить затраты на их проведение.

Обзор решения

Целью нашего исследования было спрогнозировать термостабильность разных ферментов. Данные о термостабильности, измеренные экспериментально (температура плавления), охватывали как естественные последовательности, так и последовательности, которые были созданы с помощью поодиноких или множественных мутаций на основе естественных последовательностей.

Успешное решение этой задачи способствует решению основной проблемы по улучшению стабильности белков, что позволит быстрее и выгоднее создавать новые белки, в том числе высококачественные ферменты и лекарственные препараты.

В ходе исследования наша команда сначала использовала определенный подход под названием "Thermonet", который продемонстрировал обнадеживающие результаты.

Мы экспериментировали с разными архитектурами нейронных сетей и выбрали упрощенный вариант, показавший хорошие результаты. Для дальнейшего усовершенствования наших прогнозов мы использовали такой инструмент как "molekulekit" для создания дескрипторов признаков и еще больше улучшили производительность модели.

Кроме того, команда QuData обнаружила, что

Rosetta — это программное обеспечение, используемое для прогнозирования и анализа белковых структур. Оценки Rosetta относятся к различным энергетическим показателям, рассчитанным с помощью программного обеспечения Rosetta. Эти оценки используются для оценки качества или стабильности белковых структур. Они показывают, насколько хорошо данная структура белка или набор белковых структур удовлетворяет физическим и химическим принципам, управляющим сворачиванием и стабильностью белка.

оценки Rosetta

оценки Rosetta могут эффективно прогнозировать термическую стабильность. Мы объединили результаты Rosetta и разработанную модель под названием "AVGP3". И хотя эта комбинация оказалась успешной, она не была выбрана в качестве окончательного решения.

Следующим этапом мы включили в созданный

Ансамблевый метод в машинном обучении – это метод объединения нескольких отдельных моделей для повышения общей производительности прогнозирования. Основная идея ансамбля заключается в том, что, агрегируя прогнозы нескольких моделей, можно достичь лучших результатов, чем те, которые может дать одна модель.

ансамбль

ансамбль еще один результат, что еще больше повысило результативность модели. Мы использовали весовые коэффициенты из таблицы "Pose_Energies" для создания ансамбля под названием "RankedRosetta".

В целом, проведенное исследование подчеркивает значимость оценок Rosetta и среднего значения параметра донора водородных связей для прогнозирования термической стабильности ферментов.

Наше исследование было инициировано конкурсом, проведенным организацией Novozymes. Участникам предложили создать модель прогнозирования и ранжирования термостабильности различных ферментов на основе экспериментальных данных о температуре плавления, полученных от исследовательской лаборатории Novozymes. Ознакомиться с подробностями соревнования и результатами исследования можно здесь.

Технические детали

Стремясь улучшить прогнозы термической стабильности, команда QuData исследовала различные стратегии и технологии. Ниже изложены ключевые этапы разработки нашего подхода.

Первоначальный этап – nesp-thermonet: мы начали с того, что признали способность подхода "nesp-thermonet" хорошо прогнозировать термостабильность ферментов.

Исследования архитектур нейронных сетей: далее мы подробно изучили информацию, представленную в этой статье, что побудило нас исследовать разные архитектуры нейронных сетей. В конечном итоге мы выбрали модель Resnet-3D.

Обрезка и упрощение нейронной сети: для дальнейшего анализа архитектуры и определения ключевых факторов, влияющих на прогнозирование, мы применили итеративный процесс обрезки, который привел к разработке упрощенной архитектуры. Эта архитектура имеет такие же входные данные, что и при использовании "Thermonet", (14,16,16,16,16).

Использование дескрипторов признаков: чтобы улучшить наши прогнозные показатели, мы использовали дескрипторы признаков, созданные с помощью утилиты "molekulekit". С помощью экспериментов мы определили оптимальные дескрипторы с размером блока 16 и размером вокселя 0,5. Такая оптимизация повысила прогнозные показатели и способствовала созданию модели "AVGP3", которая впоследствии была интегрирована в финальный ансамбль.

Исследование показателей Rosetta: на основе сведений, представленных в Deletion-specific ensemble, мы наблюдали за возможностями оценок Rosetta прогнозировать термостабильность. Наша команда интегрировала показатели Rosetta с моделью "AVGP3" в ансамбль. Затем мы объединили модель "AVGP3" с ансамблем Deletion-specific, используя определенные весовые распределения (0,2 и 0,8).

Использование таблицы "Pose_Energies": мы тщательно изучили вклад оценок Rosetta, проанализировав таблицу "Pose_Energies" в файлах pdb, что содержит 20 параметров и связанные с ними весовые коэффициенты. Эти параметры сыграли ключевую роль в создании нашего подхода.

Рейтинг ансамбля Rosetta: в процессе наших исследований сформировался инновационный подход, предполагавший использование весовых коэффициентов для ансамбля. Независимые прогнозы термостабильности были сгенерированы для каждого параметра отдельно для всех мутаций. Затем эти индивидуальные прогнозы были объединены в конфигурацию ансамбля с использованием весовых коэффициентов таблицы "Pose_Energies". Этот ансамбль был назван "RankedRosetta".

Финальная интеграция ансамбля: окончательные результаты с форумов сообщества были интегрированы в наш ансамбль, что еще больше повысило наш общий результат. Формула интеграции была выражена как (0,05*Rasp + 0,95*0,615).

Подводя итог, можно сказать, что комплексный подход нашей команды QuData привел к заметным результатам. Проведенное исследование определило значимое влияние оценок Rosetta на всю молекулярную структуру, а также влияние среднего параметра донора водородных связей вблизи мест мутаций на прогноз термостабильности ферментов.