PRIMRose：基于深度学习的双插入/删除突变后蛋白残基能量指标洞察
光学
2025-12-09 v1 材料科学
摘要
理解蛋白质突变如何影响蛋白质结构是推动计算生物学与生物信息学发展的关键。我们引入PRIMRose，一种新方法，用于预测给定突变后蛋白序列中每个残基的能量值。不同于评估全局能量偏移的先前模型，本方法分析双氨基酸插入或删除（InDel）突变在单个残基层面的局部能量影响，使我们能够从残基层面获得关于结构与功能扰断的洞察。我们实现了一种卷积神经网络架构，用于预测蛋白质突变中每个残基的能量变化。我们基于由九种蛋白质构成的九组数据集进行训练，其中一组包含详尽的双InDel突变，另一组包含约14.5万个随机抽样的双InDel突变，第三组包含约8万个随机抽样的双InDel突变。我们的模型在罗斯etta分子建模套件计算的多种能量指标上实现了高预测准确性，并揭示了影响模型性能的局部分布模式，如溶剂可及性和次级结构背景。这种按残基分析的方式为特定蛋白质区域的突变容忍性提供了新见解，并提供更具解释性和生物学意义的InDel效应预测。
引用
@article{arxiv.2512.06495,
title = {Giant optical anisotropy and visible-frequency epsilon-near-zero in hyperbolic van der Waals MoOCl2},
author = {Georgy Ermolaev and Adilet Toksumakov and Aleksandr Slavich and Anton Minnekhanov and Gleb Tselikov and Arslan Mazitov and Ivan Kruglov and Gleb Tikhonowski and Mikhail Mironov and Ilya Radko and Dmitriy Grudinin and Andrey Vyshnevyy and Zdeněk Sofer and Aleksey Arsenin and Kostya S. Novoselov and Valentyn Volkov},
journal= {arXiv preprint arXiv:2512.06495},
year = {2025}
}
备注
15 pages, 5 figures