.png){kind=icon}
返回
Decoding RNA-Dependent Protein Phase Separation Using an Ensemble-Based Deep Learning Framework Integrating ProtBERT Embeddings With Physicochemical Features
.png){kind=icon}
PRE
AI
DOI：10.1002/prot.70180.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
液-液相分离（LLPS）驱动无膜生物分子凝聚体的形成，这些凝聚体调控包括基因表达、应激响应和信号转导在内的基本细胞过程。该领域的关键挑战在于区分RNA依赖性与RNA非依赖性凝聚体，这种区分对神经退行性疾病的病理学至关重要。当前的计算方法通常忽略这种区分。在此，我们引入了一种可解释的两阶段深度学习框架，该框架首先预测蛋白质序列发生相分离的可能性，随后确定凝聚体形成是否依赖RNA。我们的框架整合了从ProtBERT（一种预训练的含66个手工设计的序列衍生特征的蛋白质语言转换器）获取的深度上下文嵌入。这些表示通过机器学习分类器集成进行处理，其输出通过堆叠人工神经网络结合，捕获局部序列特征和全局上下文信息。SHAP和特征相关性等可解释性分析表明，最具预测性的ProtBERT嵌入维度与LLPS的序列衍生特征相关，包括与固有无序性和多价相互作用基序相关的描述符。基准测试显示，我们的框架在外部测试集上相较于现有预测器表现出更优性能，准确率达96.5%，F1得分为0.965，MCC为0.931。它还超越了现有的唯一RNA依赖性LLPS预测器。代表性误分类的结构分析进一步揭示了空间约束和拓扑结构如何超越序列特征来调控相分离。本研究提供了一种统一的方法，用于从蛋白质序列建模RNA介导的相分离，并奠定了连接基于序列的预测与生物分子凝聚体结构理解的基础。
Keyword:
intrinsically disordered regions
liquid–liquid phase separation (LLPS)
machine learning (ML)
ProtBERT
protein–RNA interactions
RNA-dependent condensation
期刊
P
IF:
2.8
论文数:
78
被引数:
0
机构
引用论文
分享收藏Cd-hit: a fast program for clustering and comparing large sets of protein or nucleotide sequencesCd-hit: 一种用于聚类和比较大量蛋白质或核苷酸序列的快速程序
OAAI
OAAI分享收藏A Molecular Grammar Governing the Driving Forces for Phase Separation of Prion-like RNA Binding Proteins控制朊病毒样RNA结合蛋白相分离驱动力的分子语法.png)
CellOAAI
CellIF0
OAAI分享收藏Learning Phrase Representations using RNN Encoder–Decoder for Statistical Machine Translation使用RNN编码器-解码器学习统计机器翻译的短语表示
OAAI
OAAI分享收藏分享收藏
查看更多内容