ProMEP｜基于多模态深度学习的蛋白突变效应零样本预测方法

主要观点总结

文章介绍了由王升启/舒文杰/张军/朱世强研究团队在Cell Research期刊上发表的名为《Zero-shot prediction of mutation effects with multimodal deep representation learning guides protein engineering》的研究文章。该团队提出了一种名为ProMEP的蛋白质突变效应预测方法，该方法采用多模态深度表示学习模型，实现了蛋白质突变效应的零样本预测，无需多序列比对。研究团队详细介绍了ProMEP如何整合约1.6亿个蛋白质的序列和结构信息，显著提升了突变效应预测的准确性和速度。ProMEP在基因编辑酶TnpB和TadA的预测和工程应用中表现出色，显著提高了这些工具的基因编辑效率。

关键观点总结

关键观点1: ProMEP方法介绍

ProMEP是一种多模态深度表示学习模型，用于零样本预测蛋白质突变效应。它结合了蛋白质的序列和结构信息，通过整合约1.6亿个蛋白质的数据，提高了预测准确性和速度。

关键观点2: ProMEP的应用效果

ProMEP在基因编辑酶TnpB和TadA的预测和工程化中表现出色，显著提高了这些工具的基因编辑效率。TnpB和TadA的突变体在RNF2和HEK位点的基因编辑效率得到了显著提升。

关键观点3: ProMEP的优势

ProMEP无需多序列比对，能够在缺乏同源序列信息的情况下预测突变效应，降低了预测成本，并提高了预测效率。此外，ProMEP的预测结果与实验测量值高度相关，展示了其在预测突变效应方面的优越性能。

关键观点4: 未来研究方向

尽管ProMEP在预测突变效应方面取得了显著进展，但仍存在需要解决的挑战，如处理插入/缺失（InDels）和长蛋白质序列的预测，以及进一步扩展模型以包含蛋白质-蛋白质相互作用（PPI）的预测。未来的研究将继续解决这些挑战，并提升ProMEP在生物医学和合成生物学中的应用能力。

免责声明