Программный конвейер предсказания влияния мутаций на стабильность пространственных структур белков с использованием методов оценки изменения свободной энергии и искусственного интеллекта
Автор: Вензель А.С., Иванисенко Т.В., Деменков П.С., Иванисенко В.А.
Журнал: Проблемы информатики @problem-info
Рубрика: Прикладные информационные технологии. Биоинформатика
Статья в выпуске: 4 (65), 2024 года.
Бесплатный доступ
В данной работе был разработан программный конвейер для предсказания влияния мутаций на стабильность пространственной структуры белка. В конвейере применяются комбинированный подход, использующий современные методы искусственного интеллекта для предсказания структуры белка, и классические алгоритмы оценки изменения свободной энергии. Конвейер включает в себя предсказание структуры белка с помощью модели ESM3 и последующий расчет изменения свободной энергии мутантных форм с помощью pyRosctta. Такой подход позволяет преодолеть ограничения существующих методов, объединяя преимущества глубокого обучения и интерпретируемость энергетических расчетов. Разработанный инструмент может найти применение в задачах структурной биоинформатики, биотехнологии и медицины, особенно в условиях ограниченного количества экспериментально определенных структур белков.
Предсказание структуры белка, стабильность структуры белка, молекулярное моделирование
Короткий адрес: https://sciup.org/143184148
IDR: 143184148 | УДК: 575.112 | DOI: 10.24412/2073-0667-2024-4-6-16
Software Pipeline for Predicting the Impact of Mutations on the Stability of Protein Spatial Structures Using Free Energy Change Estimation Methods and Artificial Intelligence
In this work, a computational pipeline was developed to predict the impact of mutations on the stability of protein structure. The pipeline employs a combined approach, utilizing state-of-the- art artificial intelligence methods for protein structure prediction and classical algorithms for free energy change estimation. The pipeline includes protein structure prediction using the ESM3 model, followed by calculation of free energy changes in mutant forms using pyRosetta. This approach allows overcoming the limitations of existing methods by combining the advantages of deep learning and the interpretability of energy calculations. The developed tool can find applications in structural bioinformatics, biotechnology, and medicine, especially given the limited number of experimentally determined protein structures.