Nature子刊：崔慶華團隊開發(fā)新型AI算法，實現(xiàn)人類蛋白質(zhì)重要性的預測分析

熱門推薦： AI算法 , 蛋白質(zhì) , 預測分析 ,

來源：生物世界

2024-12-02

人類必需蛋白（Human essential protein，HEP）對于個體的生存和發(fā)育是必不可少的。然而，鑒定HEP的實驗方法往往昂貴、耗時和勞動密集型的。

人類必需蛋白（Human essential protein，HEP）對于個體的生存和發(fā)育是必不可少的。然而，鑒定HEP的實驗方法往往昂貴、耗時和勞動密集型的，例如CRISPR-Cas9基因敲除實驗及基因過表達實驗，且這些實驗方法難以推廣到人類全蛋白質(zhì)組。

因此，亟需計算方法來快速準確預測人類全部蛋白質(zhì)的重要性，但現(xiàn)有的計算方法只能在人源細胞系水平預測HEP，而實際上，HEP在人類、細胞系和動物模型中存在高度差異性。這就要求我們在設計預測算法時，不僅需要提升算法的預測精度，還要需要考慮蛋白質(zhì)重要性存在的變異性。

近年來，深度學習（Deep Learning，DL）和大語言模型（Large Language Model，LLM）技術(shù)的快速發(fā)展，為蛋白質(zhì)重要性預測提供了新思路。

2024年11月27日，崔慶華團隊在 Nature 子刊 Nature Computational Science 上發(fā)表了題為：Comprehensive prediction and analysis of human protein essentiality based on a pre-trained protein large language model 的研究論文。

該研究通過微調(diào)預訓練的蛋白質(zhì)語言模型，開發(fā)了一個基于序列的深度學習模型——蛋白質(zhì)重要性計算器（Protein Importance Calculator，PIC），實現(xiàn)人類蛋白必要性/重要性的綜合預測和分析。

Comprehensive prediction and analysis of human protein essentiality based on a pre-trained protein large language model

該研究提出的PIC算法相較于此前最先進的計算方法DeepCellEss獲得顯著性能提升（AUROC和AUPRC分別提升9.64%和10.52%）。

除了具有優(yōu)異的性能外，PIC算法是首個可以同時預測蛋白質(zhì)在人體、人源細胞系和小鼠中的重要性評分的工具，能夠為人類所有蛋白質(zhì)的重要性進行綜合的預測評估。在案例研究中，研究團隊使用PIC算法成功預測了人類乳腺癌中的關(guān)鍵蛋白質(zhì)靶點，并證明了其作為乳腺癌患者預后標志物的價值。

PIC算法成功預測了人類乳腺癌中的關(guān)鍵蛋白質(zhì)靶點