ProtGPS – 麻省理工学院等机构推出的蛋白质语言模型-爱论文

ProtGPS是什么

ProtGPS（Protein Localization Prediction Model）是麻省理工学院（MIT）和怀特黑德生物医学研究所推出的，基于深度学习的蛋白质语言模型，用在预测蛋白质在细胞内的亚细胞定位。ProtGPS基于分析蛋白质的氨基酸序列，用进化尺度的蛋白质变换器（Transformer）架构学习序列中的复杂模式和相互关系。ProtGPS能预测蛋白质在12种不同亚细胞区域（如核仁、核斑点等）的分布概率，成功指导生成能特异性组装到特定亚细胞区域的新型蛋白质序列。ProtGPS能识别导致蛋白质亚细胞定位改变的致病突变，为理解细胞功能和疾病机制提供新的工具和视角。

ProtGPS的主要功能

预测蛋白质在细胞内的分布：预测蛋白质在12种不同亚细胞区域（如核仁、核斑点、应激颗粒等）的定位概率。设计具有特定亚细胞定位的蛋白质：生成新的蛋白质序列，特异性地组装到目标亚细胞区域（如核仁或核斑点）。识别致病突变对蛋白质定位的影响：分析突变对蛋白质亚细胞定位的影响，预测致病突变是否会导致蛋白质分布异常。

ProtGPS的技术原理

基于Transformer的序列学习：基于ESM2（Evolutionary Scale Model 2）架构，一种基于Transformer的蛋白质语言模型。同时学习输入序列中所有氨基酸之间的关系，捕捉蛋白质序列中的复杂模式和相互作用。神经网络分类器联合训练：将ESM2与神经网络分类器联合训练。分类器的任务是根据ESM2提取的特征，预测蛋白质在不同亚细胞区域的定位概率。训练数据集包括5480个人类蛋白质序列，序列被注释为属于12种不同的亚细胞区域，学习到不同亚细胞区域的蛋白质序列特征。生成蛋白质序列的算法：为设计具有特定亚细胞定位的蛋白质，用马尔可夫链蒙特卡洛（MCMC）算法。在生成蛋白质序列时，考虑蛋白质的化学空间和内在无序性，确保生成的序列符合自然蛋白质的分布，能特异性地定位到目标亚细胞区域。致病突变分析：分析致病突变对蛋白质亚细胞定位的影响。比较野生型和突变型蛋白质的定位预测结果，识别那些导致蛋白质分布改变的突变。用信息论中的Shannon熵和Wasserstein距离，用在量化突变对蛋白质定位预测不确定性的影响。

ProtGPS的项目地址

GitHub仓库：https://github.com/pgmikhael/protgpsarXiv技术论文：https://www.biorxiv.org/content

ProtGPS的应用场景

疾病机制研究：识别致病突变对蛋白质亚细胞定位的影响，帮助理解疾病发病机制。蛋白质工程与药物设计：设计具有特定亚细胞定位的蛋白质，用在开发新型蛋白质药物或生物传感器。细胞生物学研究：预测蛋白质在不同亚细胞区域的定位，助力细胞内蛋白质功能和相互作用的研究。基因治疗与基因编辑：设计特异性靶向亚细胞区域的基因编辑工具，提高基因编辑的效率和特异性。蛋白质功能注释与数据库构建：为蛋白质功能研究提供线索，助力构建更全面的蛋白质功能数据库。