ProteinMPNN을 이용한 강력한 딥 러닝 기반 단백질 서열 설계

딥 러닝이 단백질 구조 예측에 혁신을 가져왔지만, 실험적으로 특성화된 모든 de novo 단백질 디자인은 Rosetta와 같은 물리 기반 접근 방식을 사용하여 생성되었습니다. 여기에서는 in silico 및 실험 테스트 모두에서 뛰어난 성능을 보이는 딥 러닝 기반 단백질 서열 설계 방법인 ProteinMPNN을 설명합니다. 자생 단백질 백본에서, ProteinMPNN은 Rosetta의 32.9%와 비교하여 52.4%의 서열 회복률을 보입니다. 서로 다른 위치의 아미노산 서열은 단일 체인 또는 다중 체인 간에 결합될 수 있어 현재의 다양한 단백질 설계 문제에 적용할 수 있습니다. 우리는 ProteinMPNN의 폭넓은 활용성과 높은 정확성을 x-선 결정 분석, 극저온 전자 현미경 관찰 및 기능 연구를 통해 demonstrated하며, Rosetta 또는 AlphaFold를 사용하여 제작된 단백질 단량체, 사이클릭 호모 올리고머, 테트라헤드랄 나노입자 및 타겟 결합 단백질의 이전 실패한 디자인을 복구했습니다.