机器学习引导设计强转录激活结构域
Machine learning guided design of strong transcriptional activation domains
研究团队计算生成50万条候选序列,用现有机器学习模型预测转录激活结构域(AD)功能,并从中选出18750条在酵母中验证。16770条测量良好的序列中超过90%具有AD功能,多个模型共同预测为活跃的序列表现更强。研究据此开发了快速共识AD预测器 MADRIGAL,部分设计AD在真菌、植物和人类细胞中仍保留功能。
研究将序列到功能模型纳入设计循环,并在酵母中验证大量候选序列,为无序蛋白设计提供了可迁移的方法。
预印本 · biorxiv · 10.64898/2026.10.30.763198
本站摘要基于收录版本 v1(2026-11-02),原始摘要与 AI 导读固定保留。
来源最近更新: · 来源 v1
人工智能加速了结构化蛋白质的设计,但由于结构约束较弱且序列与功能之间的关系尚不明确,设计具有功能的天然无序蛋白质仍然十分困难1。激活结构域(ADs)是转录因子中招募共激活因子的区域,是天然无序序列从头设计的绝佳测试案例。ADs 是最古老的功能性天然无序序列类群之一2,而设计的 ADs 在合成生物学、生物技术和农业中具有应用价值。我们通过计算生成了 500,000 条与已知 ADs 相似的候选序列,并利用现有的机器学习模型(包括三个神经网络)预测 AD 功能。我们从高分序列中挑选出 18,750 条用于酵母中的实验验证。令人惊讶的是,在 16,770 条测量良好的序列中,有 >90% 具有 AD 功能。被多个模型预测为有活性的序列效果更强,这促使我们开发了一个快速且准确的共识 AD 预测器 MADRIGAL。我们设计的若干 ADs 在真菌、植物和人类细胞中均保留了功能。这项工作展示了一个可推广的范式,即将序列-功能模型纳入设计循环,从而高效生成功能性的天然无序序列。
来源:bioRxiv · biorxiv.org