病毒样颗粒化学计量与稳定性的拓扑学习预测
生物大分子
2025-08-06 v2
摘要
理解病毒样颗粒(VLP)的化学计量及其相关稳定性对于优化其组装效率与免疫原性至关重要,而这些对于推进生物技术、疫苗设计与药物递送尤为关键。然而,目前用于确定 VLP 化学计量的实验方法劳动密集且耗时。机器学习方法几乎尚未被应用于 VLP 的研究。为应对这一挑战,我们引入了一种基于持续 Laplacian 的新型机器学习(PLML)模式,利用谐谱与非谐谱同时捕捉 VLP 结构的复杂拓扑与几何特征。该方法在 VLP200 数据集上取得了优于现有方法的性能。为进一步评估其稳健性与泛化能力,我们收集了一个新数据集 VLP706,包含 706 个 VLP 样本,具有更丰富的化学计量多样性。我们的 PLML 模型在 VLP706 上仍保持较高的预测精度。此外,通过随机序列扰动突变分析,我们发现 60-mer 与 180-mer 比 240-mer 与 420-mer 具有更高的稳定性。
引用
@article{arxiv.2507.21417,
title = {Topological Learning Prediction of Virus-like Particle Stoichiometry and Stability},
author = {Xiang Liu and Xuefei Huang and Guo-Wei Wei},
journal= {arXiv preprint arXiv:2507.21417},
year = {2025}
}