394,760개의 단백질 표현을 생성하는 Harvard 팀은 단백질 맥락을 완전히 이해하기 위한 AI 모델을 개발합니다.

Editor | Radish Skin

단백질 기능을 이해하고 분자 치료법을 개발하려면 단백질이 어떤 역할을 하는지 세포 유형을 파악하고 단백질 간의 상호 작용을 분석해야 합니다.

그러나 생물학적 맥락에서 단백질 상호 작용을 모델링하는 것은 기존 알고리즘으로는 여전히 어려운 일입니다.

최근 연구에서 하버드 의과대학 연구원들은 상황 인식 단백질 표현을 생성하기 위한 기하학적 딥 러닝 방법인 PINNACLE을 개발했습니다.

PINNACLE은 다기관 단일 세포 아틀라스를 활용하여 상황별 단백질 상호 작용 네트워크를 학습하고 24개 조직에 걸쳐 156개 세포 유형 상황에서 394,760개의 단백질 표현을 생성합니다.

이 연구의 제목은 "단일 세포 단백질 생물학을 위한 상황별 AI 모델"이며 2024년 7월 22일 "Nature Methods"에 게재되었습니다.

단백질 기능 및 네트워크

1. 단백질은 세포의 기본 기능 단위이며 상호 작용을 통해 생물학적 기능을 수행합니다.
2. 고처리량 기술은 단백질 상호작용 네트워크의 매핑을 주도하고 계산 방법을 통해 단백질 구조, 기능 및 표적 설계에 대한 이해를 향상시켰습니다.
3. 분자세포 지도책을 통합한 학습 방법으로, 단백질 상호작용 네트워크를 분석할 수 있으며, 단백질 기능에 대한 이해를 넓힐 수 있음을 나타냅니다.

상황에 따른 단백질 기능

1. 단백질은 다양한 생물학적 상황에서 다양한 역할을 하며, 유전자 발현과 기능은 건강과 질병 상태에 따라 달라집니다.
2. 배경이 없는 단백질은 세포 유형 간의 기능적 변화를 식별할 수 없어 예측 정확도에 영향을 미친다는 것을 의미합니다.

단일 세포 유전자 발현 및 단백질 네트워크

1. 시퀀싱 기술은 단일 세포 유전자 발현을 측정하여 상황에 따른 문제를 해결할 수 있는 길을 열어줍니다.
2. 주의 기반 딥 러닝은 대규모 입력에 집중하고 맥락에서 중요한 요소를 학습할 수 있습니다.
3. 단일 세포 아틀라스는 질병 진행과 관련된 유전자 조절 네트워크의 매핑을 향상하고 표적을 밝힐 수 있습니다.

PINNACLE 모델

1. 단백질 코딩 유전자 발현을 단백질 상호작용 네트워크에 통합하는 데는 여전히 과제가 있습니다.
2. PINNACLE 모델은 상황에 맞는 단백질 이해를 제공합니다.
3. PINNACLE은 세포 환경에서 단백질 상호작용을 분석하여 단백질 표현을 생성하는 기하학적 딥러닝 모델입니다.

   

   1. PINNACLE 개요

그림: PINNACLE 개요. (출처: 논문)

2. 상황별 단백질 표현

PINNACLE은 세포 유형에 맞게 맞춤화된 단백질 표현을 생성하기 위해 세포 상호 작용 및 조직 계층을 캡처하는 네트워크로 보완되는 통합된 상황 인식 PPI 네트워크에서 훈련됩니다.

3. 다중 규모 표현

컨텍스트 프리 모델과 달리 PINNACLE은 세포 유형 컨텍스트에 따라 각 단백질에 대해 여러 표현을 생성합니다. 또한 PINNACLE은 세포 유형 컨텍스트와 조직 수준 표현을 생성합니다.

4. 다중 규모 학습

PINNACLE은 통일된 잠재 표상 공간을 최적화하여 단백질, 세포 유형 및 조직의 토폴로지를 학습합니다.

5. 상황 인식 모델

PINNACLE은 상황별 데이터를 단일 모델로 통합하고 단백질, 세포 유형 및 조직 수준 데이터 간에 지식을 전달합니다.

6. Embedding Space

PINNACLE은 세포 및 조직 정보를 Embedding Space에 주입하기 위해 단백질, 세포 유형 및 조직 수준에 주목합니다.

7. 물리적 상호작용 매핑

물리적으로 상호작용하는 단백질 쌍이 임베딩 공간에 촘촘하게 박혀 있습니다.

8. 세포 유형 환경

단백질은 세포 유형 환경 근처에 내장되어 있습니다.

9. 그래프 신경망 전파

PINNACLE은 각 노드 및 에지 유형에 맞게 맞춤화된 주의 메커니즘을 사용하여 단백질, 세포 유형 및 조직 간에 정보를 전파합니다.

그림: PINNACLE 단백질 내장 영역의 강화. (출처: 논문) 단백질 수준의 사전 훈련 작업은 단백질 상호 작용의 자기 지도 링크 예측과 단백질 노드의 세포 유형 분류를 고려합니다. 이러한 작업을 통해 PINNACLE은 상황 인식 단백질 상호 작용 네트워크의 토폴로지와 단백질의 세포 유형 정체성을 캡슐화하는 삽입 공간을 형성할 수 있습니다.
PINNACLE의 세포 유형 및 조직별 사전 훈련 작업은 전적으로 자기 감독 링크 예측에 의존하여 세포 및 조직 조직에 대한 학습을 ​​촉진합니다. 세포 유형과 조직의 토폴로지는 주의 연결 메커니즘을 통해 단백질 표현으로 전달되어 조직과 세포 조직을 단백질 표현으로 효과적으로 강화합니다.
PINNACLE의 상황별 단백질 표현은 상황 인식 단백질 상호 작용 네트워크의 구조를 포착합니다. 잠재 공간에서 이러한 맥락화된 단백질 표현의 지역적 배열은 메타그래프로 표현된 세포 및 조직 조직을 반영합니다. 이는 통합된 세포 유형 및 조직별 프레임워크 내에서 단백질의 포괄적이고 상황별 표현으로 이어질 것입니다.
PINNACLE에서 생성된 394,760개의 상황별 단백질 표현(각각 세포 유형에 따라 다름)을 통해 연구자들은 156개 세포 유형 상황의 기본 단백질 코딩 유전자 전사체와 단백질 상호 작용을 결합하는 PINNACLE의 능력을 보여줍니다.
PINNACLE의 삽입 공간은 세포 및 조직 구조를 반영하여 조직 계층의 제로샷 검색을 가능하게 합니다. 사전 훈련된 단백질 표현은 다운스트림 작업에 적용할 수 있습니다. 즉, 3D 구조 기반 표현을 향상하여 면역 종양학 단백질 상호 작용을 해결하고 약물이 다양한 세포 유형에 미치는 영향을 연구합니다.
PINNACLE은 류마티스 관절염 및 염증성 장 질환에 대한 치료 목표를 지정하는 데 있어 최첨단 모델보다 성능이 뛰어나며, 세포 유형 상황을 정확히 파악하는 상황 없는 모델보다 예측력이 더 높습니다. PINNACLE의 출력을 작동 환경에 맞게 조정하는 능력은 생물학에서 대규모 상황별 예측을 위한 길을 열어줍니다.
논문 링크: https://www.nature.com/articles/s41592-024-02341-3

위 내용은 394,760개의 단백질 표현을 생성하는 Harvard 팀은 단백질 맥락을 완전히 이해하기 위한 AI 모델을 개발합니다.의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!