题目:Basis for Accurate Protein pKa Prediction with Machine Learning
文献来源:https://doi.org/10.1021/acs.jcim.3c00254 (JCIM)
代码:https://gitlab.com/yandonghuang/deepka
简介:pH通过可电离侧链的质子化和去质子化来调节许多生物过程中的蛋白质结构和相关功能,其中滴定平衡是由pKa决定的。为了在生命科学或工业蛋白质和药物设计中加速ph依赖的分子机制的研究,快速和准确的pKa预测是非常重要的。本文作者提出了一个理论pKa数据集PHMD549,它被成功地应用于四种不同的机器学习方法,包括DeepKa,这是在他们之前的工作中提出的。为了达到有效的比较,我们选择EXP67S作为测试集。令人鼓舞的是,DeepKa得到了显著的改进,并优于其他最先进的方法,除了恒定pH分子动力学,它可用于创建PHMD549。更重要的是,DeepKa在5个酶催化位点复制了酸性对的实验pKa顺序。除了结构蛋白外,DeepKa还被发现适用于本质上无序的多肽。此外,结合溶剂暴露,DeepKa在具有挑战性的情况下提供了最准确的预测,即氢键或盐桥相互作用被埋藏侧链的脱溶部分补偿。最后,作者的基准数据将PHMD549和EXP67S作为由人工智能驱动的蛋白质pKa预测工具的未来发展的基础。此外,建立在PHMD549上的DeepKa已被证明是一种有效的蛋白pKa预测器,因此可以立即应用于pKa数据库构建、蛋白质设计、药物发现等。
主要内容:
-------------------------------------------
欢迎点赞收藏转发!
下次见!