通用温度感知语言模型用于设计具备增强稳定性和活性的蛋白质

主要观点总结

本文介绍了深度学习模型PRIME在蛋白质工程中的应用，该模型无需特定蛋白的预实验突变数据，即可设计出稳定性与活性提升的蛋白质突变体。基于温度感知语言建模技术，PRIME在涵盖283套蛋白质检测实验的公共突变数据集上展现出超越现有最优模型的预测能力。通过对五种蛋白质的验证，评估了PRIME推荐的30至45个单点突变对多种蛋白特性的影响，包括热稳定性、抗原-抗体结合亲和力、非天然核酸聚合能力及极端碱性耐受性。所有测试蛋白质中，超过30%的PRIME推荐突变体在目标特性上显著优于突变前蛋白。基于PRIME开发了可快速获得活性与稳定性增强的多位点突变体的高效方法。由此证明PRIME在蛋白质工程领域具有通用性。

关键观点总结

关键观点1: 深度学习模型PRIME在蛋白质工程中的应用

提出一种基于深度学习的模型PRIME，用于设计稳定性与活性提升的蛋白质突变体，无需特定蛋白的预实验突变数据。

关键观点2: PRIME的预测能力

在涵盖283套蛋白质检测实验的公共突变数据集上，PRIME展现出超越现有最优模型的预测能力。

关键观点3: 验证实验

对五种蛋白质进行验证，评估了PRIME推荐的30至45个单点突变对多种蛋白特性的影响。

关键观点4: 多位点突变体设计

基于PRIME开发了高效方法，可快速获得活性与稳定性增强的多位点突变体。

关键观点5: 通用性

证明PRIME在蛋白质工程领域具有通用性，适用于多种蛋白特性优化。

免责声明