一种新的人工智能模型可以预测底物进出细胞的运动

运输蛋白负责底物进出生物细胞的持续移动。然而，很难确定特定蛋白质可以运输哪些底物。杜塞尔多夫海因里希海涅大学 (HHU) 的生物信息学家开发了一种名为 SPOT 的模型，该模型可以使用人工智能 (AI) 高度准确地预测这一点。

研究人员在《PLOS Biology》杂志上介绍了他们的方法，该方法可以用于任意运输蛋白。

生物细胞中的底物必须不断地跨细胞膜向内和向外运输，以确保细胞的存活并使其发挥其功能。然而，并非所有穿过身体的底物都应该被允许进入细胞。其中一些运输过程必须是可控的，以便它们只在特定时间或特定条件下发生，以触发细胞功能。

这些活跃且专门的运输通道的作用由所谓的运输蛋白(转运体)承担，其中各种各样的转运蛋白被整合到细胞膜中。运输蛋白包括大量单个氨基酸，它们共同形成复杂的三维结构。

每种转运蛋白都针对一种特定分子(即所谓的底物)或一小组底物进行量身定制。但具体是哪一种呢?研究人员一直在寻找匹配的转运蛋白-底物对。

计算细胞生物学研究小组的 Martin Lercher 教授是这项研究的通讯作者，他说：“通过实验确定哪些底物与哪些转运蛋白相匹配非常困难。甚至确定转运蛋白的三维结构(从中可以识别底物)也是一项挑战，因为蛋白质一旦脱离细胞膜就会变得不稳定。 ”

“我们选择了一种不同的、基于人工智能的方法，”这项研究的主要作者、勒彻教授研究小组的博士后亚历山大·克罗尔博士说。“我们的方法被称为 SPOT，它使用了超过 8,500 个转运蛋白-底物对，这些对已经经过实验验证，可以作为深度学习模型的训练数据集。”

为了让计算机能够处理转运蛋白和底物分子，杜塞尔多夫的生物信息学家首先将蛋白质序列和底物分子转换成数字向量，然后由人工智能模型进行处理。完成学习过程后，新转运蛋白的向量和潜在合适底物的向量就可以输入人工智能系统。然后，该模型会预测某些底物与转运蛋白匹配的可能性。

Kroll 解释说：“我们已经使用独立的测试数据集验证了我们训练的模型，我们也已经知道了转运蛋白-底物对。SPOT 预测任意分子是否是特定转运蛋白的底物的准确率超过 92%。”

因此，SPOT 可以推荐非常有前景的底物候选物。“这使我们能够在很大程度上限制实验者的搜索范围，从而加快确定哪种底物与实验室中的转运蛋白完全匹配的过程，”Lercher 教授在解释生物信息学预测与实验验证之间的联系时说道。

Kroll 补充道：“这适用于任何任意的运输蛋白，而不只是有限类别的类似蛋白质，就像迄今为止的其他方法一样。”

该模型有多种潜在的应用领域。

Lercher 指出，“在生物技术领域，可以修改代谢途径以制造特定产品，例如生物燃料，或者可以根据转运蛋白定制药物，以便于其准确进入其需要发挥作用的细胞。”

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！