MIT用胺基酸序列搭配機器學習預測複雜蛋白質結構

來自麻省理工學院的研究團隊近來透過機器學習技術，打造利用胺基酸鏈段預測蛋白質結構的模型，也就是能夠理解個別胺基酸鏈段如何決定蛋白質功能，對於生物相關研究、藥物開發、蛋白質設計和測試都是一大進展，未來，該機器學習模型能夠讓研究人員更專注於修改特定胺基酸片段，改善蛋白質工程。

蛋白質是由胺基酸分子線性鏈結而成，個別胺基酸分子透過肽鍵連接，根據鏈結中的物理相互作用和序列，折疊成相當複雜的3D結構，而這些不同的結構決定了蛋白質在生物學上的功能，因此，了解蛋白質的3D結構對於預測蛋白質對特定藥物的反應是有價值的。

過去數十年來的研究，主要都是用多種成像技術來研究蛋白質結構，而這些研究只能了解非常小部分的蛋白質結構，近來，研究人員開始用機器學習模型根據胺基酸序列，來預測蛋白質結構，但是，由於胺基酸序列的多元性，會生成非常類似的結構，再者，也沒有足夠多的結構樣本來訓練模型。

因此，有別於過去直接預測結構的方法，MIT研究團隊將預測蛋白結構的資料轉譯成以數值表示的向量值，為此，團隊用已知的蛋白質結構近似度，來監督機器學習模型，讓模型學習特定氨基與蛋白質功能的關係，首先，利用3D蛋白質結構當作訓練指引，來簡單地計算每個胺基酸在蛋白質序列的位置，接著，再透過計算出的位置代表值當作機器學習模型輸入資料，根據每個胺基酸鏈段來預測蛋白質功能。

訓練過程總共使用了22,000個來自蛋白質結構資料庫SCOP的蛋白質資料，該資料庫包含數千個依照相似結構和胺基酸序列分類的蛋白質，團隊利用SCOP資料庫分類的類別，模型針對每對蛋白質，計算蛋白質結構真實相似分數，因此，每個蛋白質結構的向量會包含與其他序列相似程度的資訊，再根據該相似分數預測胺基酸序列的3D結構。最後模型會將比對預測的相似分數和SCOP真實的相似分數的結果，當作回傳到編譯器的訊號。

同時，模型還會針對每個胺基酸序列向量預測聯繫地圖（contact map），也就是呈現出每個胺基酸在蛋白質預測結構中，與其他胺基酸之間的距離，該模型還會將預測的聯繫地圖與SCOP資料庫的聯繫地圖拿來做比較，回饋到模型中，如此一來，能夠幫助模型學習胺基酸在蛋白質結構中正確的位置，進一步更新胺基酸功能。