Proteome-scale inference of transcription factor binding motifs from predicted protein-DNA structures
本文介绍了 ZebraMotif,这是一个蛋白质组规模的计算框架,它利用 AlphaFold3 和 NA-MPNN 通过对蛋白质-DNA 结构进行建模,来预测所有 2,543 个斑马鱼转录因子的 DNA 结合基序,从而显著扩大了仅凭实验数据无法实现的基序数据库规模。
原始论文采用 CC BY 4.0 许可(https://creativecommons.org/licenses/by/4.0/)。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
在每一个细胞内部,一个庞大的分子开关网络决定了细胞的身份及其功能。这些开关由被称为转录因子的蛋白质控制。每个转录因子都像是一把特定的钥匙,旨在契合由 DNA 构成的独特锁具。当钥匙找到它的锁时,它会开启或关闭附近的基因,从而指令细胞生长、分裂或改变其身份。为了理解生命是如何运作的,科学家需要准确知道哪把钥匙对应哪把锁。对于人类和一些其他经过深入研究的动物,研究人员已经花费了数十年时间进行实验,以绘制这些连接图谱。但对于大多数物种,包括作为研究身体发育之宠儿的斑马鱼,这张图谱几乎完全是空白的。如果不知道哪些蛋白质与哪些 DNA 序列结合,科学家就无法完全理解构建生物体的指令。
长期以来,填补这些空白的唯一方法是为每种蛋白质进行缓慢且昂贵的实验室测试,而这项任务对于同时处理数千种蛋白质来说是不可能完成的。科学家曾尝试通过观察其他动物中相似的蛋白质来猜测缺失的部分,但当动物之间差异过大时,这种方法往往会失效。现在,一组研究人员发现了一种无需进入湿实验室即可解决这一难题的新方法。他们使用一个强大的计算机程序来预测这些蛋白质抓取 DNA 的 3D 形状,然后利用该形状来确定每种蛋白质偏好的精确 DNA 序列。通过将此方法应用于斑马鱼的全套蛋白质,他们创建了该物种的首个全面的 DNA 结合图谱,揭示了数千个此前未知的全新连接。
研究人员首先提出了一个简单的问题:如果计算机可以预测蛋白质抓取一段 DNA 的形状,它能否分辨出正确的 DNA 片段与随机片段的区别?他们使用了一个名为 AlphaFold3 的先进人工智能系统,该系统以预测蛋白质形状而闻名。他们将斑马鱼蛋白质的序列和特定的 DNA 序列输入计算机,要求它模拟两者结合时的形态。他们针对数千种组合进行了多次操作,将每种蛋白质与其应当结合的 DNA 以及它应该忽略的随机 DNA 进行配对。计算机为每个预测分配了一个置信度分数,这本质上是在告诉研究人员,它对这两个分子以这种特定方式粘合在一起有多大的把握。
结果显示,计算机在执行这项任务时表现得非常出色。对于大多数测试的蛋白质,当蛋白质与正确的 DNA 靶点配对时,模型给出的置信度分数远高于与随机序列配对时的分数。这意味着计算机可以作为一个过滤器,从大量的匹配中筛选出优秀的匹配项。研究人员注意到,那些最容易被预测的蛋白质,也是计算机能够区分得最清晰的蛋白质。当计算机对蛋白质-DNA 复合物的形状非常有信心时,那几乎总是正确的匹配。这一发现为他们提供了一个可靠的信号,用于进行更大规模的搜索。
带着这个信号,团队发起了一场大规模筛选,以寻找斑马中每个转录因子的结合规则。他们从一个潜在 DNA 序列库开始,这些序列源自已知在发育中的鱼胚胎中活跃的基因组区域。随后,他们将每一种斑马鱼转录因子与这些候选序列进行配对,运行了数百万次计算机模拟,以观察哪些组合能形成最稳定且最自信的结构。对于每种蛋白质,他们只保留了最顶尖的匹配项——即计算机最确定蛋白质与 DNA 属于一体的那些组合。
为了将这些独立的快照转化为可用的图谱,研究人员使用另一种工具来分析最佳匹配项的形状。该工具观察蛋白质接触 DNA 的特定原子,并计算出偏好模式。它会询问:这个蛋白质喜欢第一个位置是字母 A,还是字母 G?通过结合来自同一蛋白质的许多高置信度预测结果,他们构建了一个详细的轮廓(或称“模体”,motif),描述了该蛋白质寻找的精确 DNA 序列。他们对超过 2,500 种转录因子重复了这一过程,创建了一个名为 ZebraMotif 的数据库。
这个新数据库涵盖的斑马鱼蛋白质数量几乎是之前任何收集集的三倍。在此项工作之前,实验数据仅存在于约三分之一的斑马鱼蛋白质中,且即便存在,也往往是基于人类数据的推测。新的图谱为剩余的大多数蛋白质提供了直接的、基于结构的预测。当研究人员将他们的预测与已知的实验真实答案进行对比测试时,计算机生成的图谱在主要预测方面大约有一半的时间能与现实世界的数据相符,而在查看前几个可能性时准确率更高。考虑到计算机从未见过这些特定鱼类蛋白质的实验数据,这种准确水平令人印象深刻。
研究人员还检查了这些新图谱是否符合生物学逻辑。他们观察了那些被预测为结合特定 DNA 序列的蛋白质,是否确实在 DNA 开放且可及的细胞中活跃。他们发现,新图谱显示了蛋白质的存在与其靶位点的可及性之间存在强关联,这与基于实验得出的旧图谱中所见的联系一致。这表明计算机预测不仅仅是数学上的产物,而是反映了真实的生物学规则。此外,当他们利用这些新图谱重建发育中鱼胚胎的基因调节网络时,新数据填补了缺失的环节,展示了不同蛋白质如何协同工作以控制发育,而这些方式在以前是不可见的。
这种方法不需要任何新的实验室实验即可启动。它只需要生物体的遗传密码和一份待测试的潜在 DNA 序列列表。因此,该方法可以应用于任何物种,甚至是那些没有任何实验结合数据存在的物种。研究人员通过为斑马鱼创建一个完整的图谱证明了这一点,斑马鱼是研究发育的经典模型物种,却一直缺乏这一特定知识。虽然该方法并非完美无缺,且最适用于折叠成稳定形状的蛋白质,但它打开了一扇门,让我们能够理解整个生命之树上生命的遗传逻辑,将一项曾经看似不可能完成的任务变成了一项常规的计算练习。
您所在领域的论文太多了?
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要,使用您的语言。