تصميم تسلسل البروتين القائم على التعلم العميق باستخدام ProteinMPNN

على الرغم من أن التعلم العميق قد أحدث ثورة في توقع بنية البروتين، إلا أن جميع تصاميم البروتين التي تم تعريفها تجريبيًا تقريبًا تم إنتاجها باستخدام طرق قائمة على الفيزياء مثل Rosetta. هنا، نصف طريقة تصميم تسلسل البروتين القائم على التعلم العميق، ProteinMPNN، التي تتمتع بأداء متميز في كل من الاختبارات الحاسوبية والتجريبية. على هياكل البروتين الأصلية، لدى ProteinMPNN استعادة تسلسل بنسبة 52.4% مقارنة بـ 32.9% لـ Rosetta. يمكن ربط تسلسل الأحماض الأمينية في مواقع مختلفة بين سلسلة واحدة أو متعددة، مما يمكّن من تطبيقه على مجموعة واسعة من التحديات الحالية في تصميم البروتين. نوضح الفائدة الواسعة والدقة العالية لـ ProteinMPNN باستخدام البلورة السينية، والمجهر الإلكتروني بالتبريد، والدراسات الوظيفية من خلال إنقاذ التصاميم التي فشلت سابقًا، والتي تم إنشاؤها باستخدام Rosetta أو AlphaFold، من بروتينات أحادية، أوليجومرات حلقيّة، جزيئات نانوية رباعية الوجوه، وبروتينات مرتبطة بالأهداف.