AlgoRxplorers | Precision in Mutation — Enhancing Drug Design with Advanced Protein Stability Prediction Tools

要約

タンパク質の安定性に対する単一点アミノ酸変異の影響を予測することは、疾患メカニズムを理解し、薬物発達を進めるために不可欠です。
Gibbs自由エネルギー（$ \ delta \ delta G $）の変化によって定量化されたタンパク質の安定性は、これらの変異の影響を受けます。
ただし、データの希少性とモデル解釈の複雑さは、安定性の変化を正確に予測する上で課題を引き起こします。
この研究では、深いニューラルネットワークの適用、転送学習を活用し、異なるモデルからの補完的な情報を融合させることを提案し、タンパク質の安定性環境の特徴が豊富な表現を作成します。
3番目のモデルであるThermompnn+を使用して、4つのモデルを開発し、$ \ delta \ delta G $の値を予測する際の最高のパフォーマンスを実証しました。
潜在的な輸血技術を通じて多様な機能セットと埋め込みを統合するこのアプローチは、$ \ delta \ delta G $の予測を改良し、タンパク質のダイナミクスのより深い理解に貢献し、潜在的に病気の研究や薬物の発見の進歩につながることを目的としています。

要約(オリジナル)

Predicting the impact of single-point amino acid mutations on protein stability is essential for understanding disease mechanisms and advancing drug development. Protein stability, quantified by changes in Gibbs free energy ($\Delta\Delta G$), is influenced by these mutations. However, the scarcity of data and the complexity of model interpretation pose challenges in accurately predicting stability changes. This study proposes the application of deep neural networks, leveraging transfer learning and fusing complementary information from different models, to create a feature-rich representation of the protein stability landscape. We developed four models, with our third model, ThermoMPNN+, demonstrating the best performance in predicting $\Delta\Delta G$ values. This approach, which integrates diverse feature sets and embeddings through latent transfusion techniques, aims to refine $\Delta\Delta G$ predictions and contribute to a deeper understanding of protein dynamics, potentially leading to advancements in disease research and drug discovery.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google