主要观点总结
本文介绍了基于深度学习的蛋白质突变体设计模型PRIME，它无需预实验数据即可预测并设计出稳定性和活性提升的蛋白质突变体。该模型通过温度感知语言建模技术，在公共突变数据集上展现出超越现有最优模型的预测能力。通过五种蛋白质的验证，发现超过30%的推荐突变体在目标特性上显著优于突变前蛋白。此外，基于PRIME还开发了高效生成多位点突变体的方法，并证明了其在蛋白质工程领域的通用性。
关键观点总结
关键观点1: 深度学习模型PRIME的设计
使用温度感知语言建模技术，基于Transformer架构的掩蔽语言建模任务，训练模型以捕捉蛋白质序列的语义和语法特征，同时捕获序列的温度关联特性。
关键观点2: 模型性能评估
在涵盖283套蛋白质检测实验的公共突变数据集上，与现有最优模型相比，PRIME展现出更高的预测能力。
关键观点3: 实验验证
通过五种蛋白质（LbCas12a、T7RNA聚合酶、肌酸酶、非天然核酸聚合酶及生长激素纳米抗体重链可变区）的验证，超过30%的推荐突变体在目标特性上显著优于突变前蛋白。
关键观点4: 多位点突变体的开发
基于PRIME，开发了快速获得活性与稳定性增强的多位点突变体的高效方法，并验证了其在蛋白质工程领域的通用性。
免责声明
免责声明：本文内容摘要由平台算法生成，仅为信息导航参考，不代表原文立场或观点。
原文内容版权归原作者所有，如您为原作者并希望删除该摘要或链接，请通过
【版权申诉通道】联系我们处理。
微博登录
