随机蛋白序列空间的结构多样性可被学习和预测
Learning the structural diversity in random protein sequence space
Buchel 等用高通量FRET筛选数百万条随机蛋白序列,在未进化序列空间中发现多种可分辨的物理表型。这些表型无法用可溶与聚集的简单二分法概括,且可由序列预测。反复筛选更强FRET会降低群体溶解度,提示仅靠邻近性筛选不一定偏向类生物蛋白状态。
研究把高通量FRET筛选、生物物理表征与序列建模结合,读者可据此理解随机蛋白序列空间中的结构差异为何可被预测。
预印本 · biorxiv · 10.64898/2026.04.30.722084
本站摘要基于收录版本 v2(2026-10-29),原始摘要与 AI 导读固定保留。
来源最近更新: · 来源 v2
可能的蛋白质序列空间大得惊人,但我们对序列-结构关系的理解几乎完全来自生命所使用的那一小部分微不足道的序列。确定哪些物理性质是未进化的多肽本身即可获得的、哪些需要后续的进化精修,对于理解蛋白质的起源以及将蛋白质设计拓展到生物序列空间之外都至关重要。在此,我们利用基于 FRET 的高通量筛选技术对包含数百万条随机蛋白质序列的文库进行探索,从而研究这一 largely uncharted 的空间,并辅以荧光成像、生物物理表征和基于序列的建模。我们发现,随机序列空间包含多种物理表型,无法用可溶蛋白与聚集蛋白的简单二分法来概括。单条序列既能在细胞质中产生显著的 FRET 信号,也能在可见的组装体中产生信号,而不同组装体在堆积密度和细胞响应上存在差异。反复筛选更强的 FRET 信号会降低群体的溶解度,这表明仅基于邻近性的筛选并不一定有利于类生物学的蛋白质状态。这些通过实验定义的表型可以从序列进行预测。我们的结果揭示了未进化蛋白质序列空间中可分辨且可学习的变异性,为探究随机序列距离可溶、稳定的蛋白质解决方案有多远提供了途径,并使我们能够从进化此前未曾采样的蛋白质宇宙区域中汲取知识。
来源:bioRxiv · biorxiv.org