DeepMVP – nowy model AI przewidujący wpływ mutacji na białka i zdrowie człowieka
Naukowcy z Baylor College of Medicine opracowali model sztucznej inteligencji (AI), który pokazuje, w jaki sposób modyfikacje białek łączą mutacje genetyczne z chorobami. Metoda, nazwana DeepMVP i opisana w czasopiśmie Nature Methods, znacząco przewyższa dotychczasowe modele i ma potencjał w rozwoju nowych terapii.
„Białka odpowiadają za wszystkie funkcje organizmu – od wzrostu tkanek, przez regulację metabolizmu, aż po walkę z chorobami. Ich aktywność jest często regulowana przez modyfikacje zachodzące po wytworzeniu białka, w procesie zwanym modyfikacją potranslacyjną (PTM)” – wyjaśnia dr Bing Zhang, profesor w Lester and Sue Smith Breast Center oraz w Katedrze Genetyki Molekularnej i Człowieka na Baylor, stypendysta McNair i członek Dan L Duncan Comprehensive Cancer Center.
Modyfikacje te obejmują dodawanie grup chemicznych, takich jak fosforany czy cukry, które wpływają na zachowanie białka, jego lokalizację w komórce czy czas życia. Gdy proces PTM przebiega nieprawidłowo, białka mogą nie spełniać swoich funkcji i przyczyniać się do rozwoju chorób, m.in. nowotworów, chorób sercowo-naczyniowych czy neurologicznych.
Zrozumienie, gdzie zachodzą PTM, pozwala przewidzieć, jak mutacje w tych miejscach mogą zmieniać funkcję białka w sposób wpływający na zdrowie człowieka. Mutacje DNA mogą bowiem usuwać miejsce PTM, tworzyć nowe lub modyfikować sąsiednie regiony, co zaburza działanie białka.
„Opracowaliśmy DeepMVP – model obliczeniowy przewidujący, gdzie w białku zachodzą PTM i które mutacje mogą je zmieniać” – wyjaśnia współautor pracy dr Chenwei Wang. Aby wyszkolić model w rozpoznawaniu wzorców w sekwencjach białkowych, badacze stworzyli PTMAtlas – kompendium zawierające 397 524 miejsc PTM, uzyskane z analizy 241 publicznych baz danych. Skupiono się na sześciu najczęstszych rodzajach PTM.
PTMAtlas obejmuje prawie 400 tys. miejsc PTM w tysiącach ludzkich białek. Jest dokładniejszy i bardziej kompletny niż wcześniejsze bazy – pozwala przewidywać miejsca PTM we wszystkich białkach ludzkich, a nawet w białkach wirusowych, takich jak SARS-CoV-2. To sprawia, że DeepMVP stanowi potężne narzędzie do badań nad modyfikacjami białek.
DeepMVP przewyższył osiem istniejących narzędzi tego typu. W testach z wykorzystaniem 235 znanych par mutacja-PTM, model prawidłowo wskazał miejsce PTM w 81% przypadków oraz trafnie określił kierunek zmiany (zwiększenie lub zmniejszenie) w 97% przypadków.
„Oczekujemy, że DeepMVP znajdzie zastosowanie w badaniach nad nowotworami, chorobami neurologicznymi i kardiologicznymi, a także przyspieszy odkrycia w genetyce, biologii nowotworów i rozwoju leków” – podsumowuje dr Zhang. Narzędzie jest bezpłatnie dostępne dla naukowców na całym świecie pod adresem: https://deepmvp.ptmax.org.
W badaniach uczestniczyli także m.in. Bo Wen, Kai Li, Ping Han, Matthew V. Holt, Sara R. Savage, Jonathan T. Lei, Yongchao Dou, Zhiao Shi i Yi Li, wszyscy związani z Baylor College of Medicine.
Prace zostały sfinansowane przez National Cancer Institute (NCI), Cancer Prevention and Research Institutes of Texas, McNair Medical Institute oraz firmę NVIDIA, która dostarczyła procesor Titan XpGPU użyty w badaniach.
Źródło: Nature Methods, DeepMVP: deep learning models trained on high-quality data accurately predict PTM sites and variant-induced alterations
DOI: http://dx.doi.org/10.1038/s41592-025-02797-x
