纳米人

Nature Chemistry:机器学习在发现自组装肽方面克服了人类的主观偏差

吴宗涵
2022-11-07


在众多的生物大分子中,肽是最为普遍的一类,也是应用范围最广的之一,其基于基本单元和三维构象的差异能够产生多样的功能,在组织工程和表面涂层以及催化和传感方面都具有广泛的应用。研究人员一直尝试再人工体系对肽的合成和组装进行控制,调整包含肽的氨基酸序列可以调节肽功能,但序列长度的微小增加会导致潜在肽研究对象的数量急剧增加。在传统研究上,对肽的设计主要是由人类的专业知识和主观想法决定的,以至于每次研究通常产生不到十个肽,且方法也不易扩展。

最近,来自美国阿贡国家实验室纳米材料中心Subramanian K. R. S. Sankaranarayanan等人设计了一种机器学习工作流的AI系统,用于将蒙特卡罗树搜索和随机森林与分子动力学模拟相结合,开发了一个完全自主免于人类主观影响的计算搜索引擎,以发现具有高度自组装潜力的肽序列。

文章要点:

1) 研究使用MD模拟和疏水性(logP)尺度评估了320万个潜在五肽中的6600个聚集倾向,并利用AI肽设计系统获得最优的序列;

2) 研究共合成并表征了AI系统选定的前9个序列和人类研究人员选定的11个候选序列,结果表明AI评分系统(聚集倾向与疏水性)的实验评分系统(样品不透明度与HPLC RT)对于识别AI设计系统和人类选定方法的失败和成功至关重要;

3) 该AI设计系统(66.7%)的成功率基本达到甚至超越了人类研究人员(54.5%),AI设计系统不仅恢复了已知的设计策略,如电荷平衡的富含苯丙氨酸的肽(AI、FKIDF和FFEKF;人类、KFFFE和FKFEF)的鉴定,还发现了明显偏离传统方法的新序列(例如SYCGY)。

参考资料:

Batra, R., Loeffler, T.D., Chan, H. et al. Machine learning overcomes human bias in the discovery of self-assembling peptides. Nat. Chem. (2022).

DOI: 10.1038/s41557-022-01055-3

https://doi.org/10.1038/s41557-022-01055-3




版权声明:

本平台根据相关科技期刊文献、教材以及网站编译整理的内容,仅用于对相关科学作品的介绍、评论以及课堂教学或科学研究,不得作为商业用途。

万言堂

纳米人 见微知著