跑跑卡丁车手游q2上线|跑跑卡丁车手游内测下载链接|
English  |  中国科学院
   
首页  研究生教育 党建工作
现在位置:首页 > 新闻动态 > 科研进展
化学所发展基于深度学习的蛋白质单分子分析新方法
2019-05-23 | 编辑:guojie | 【 】【打印】【关闭

  蛋白质是生命活动的物质基础和主要承担者,许多重要的蛋白质以复合物或多聚体?#38382;?#21442;与信号转导、离子转运、免疫响应等众多生理过程,蛋白质的化学计量组成与其生物功能的调控及多种疾病的发生发展密切相关。因此,在生理条件下定量表征蛋白质的化学计量比(亚基组成数或蛋白聚集状态),对于研究蛋白质的相互作用、阐明蛋白质结构-功能的调控机制、研发新药等都具有十分重要的意义。 

  在国家自然科学基金委、科?#30142;?#21644;中国科学院的支持下,中科院化学所分子纳米结构与纳米?#38469;?#38498;重点实验室方晓红课题组长期致力于发展分析活细胞体系蛋白质动态变化的单分子显微?#19978;?#26032;方法,所建立的利用光漂白计数定量表征膜蛋白化学计量比等单分子研究方法,为化学生物学和生物医学研究提供了先进的?#38469;酰?/span>Natl. Sci. Rev, 2017, 4, 739-760)。近年?#27492;?#20204;与生命科学家合作,发现了多?#20013;?#21495;转导蛋白激活和转运新机制(Nat. Microbiology 2019, 4, 97-111Nat. Commun. 2018, 9:11; Cell Res., 2015, 25,738-752)。 

  最近,他们针对单分子光漂白计数分析中检测信号弱、易被噪音掩盖和光?#20102;?#24178;扰、数据量大等挑战性问题,巧妙地利用人工智能深度学习?#38469;酰?#25552;出了一个机器学习的深度神经网络架构——CLDNN,对单分子光漂白?#24405;?#36827;行准确、高效计数。他们所设计的CLDNN可凭借其自身强大的学习能力以及特征提取能力,通过卷积层提取光漂白台阶信号,通过长短时记忆(LSTM)循环层排除荧光?#20102;?#31561;干扰, 实现90%以上准确率的化学计量比分析。相比于已报道的单分子信号分析方法,CLDNN具有诸多优势?#28023;?/span>1)更高的分析准确率,尤其对于低信噪比的数据,优势更为明显;(2)更高的计算效率,可以快速处理大批量数据;(3)简单?#23376;茫?#26080;需对单分子数据做滤噪等预处理,?#21442;?#38656;设置算法?#38382;唬?/span>4)具有较好的推广?#38498;?#25193;展性,可对除训练水平外的不同信噪比数据以及包含更多光漂白?#24405;?#30340;数据进行有效分析。此外,使用者?#37096;?#20197;加入自己的实验数据集重新训练CLDNN,使其更加满足个性化分析需要。  

       CLDNN为研究人员提供了一种全新的数据分析策略,使人们可更为高效、准确、客观地分析蛋白质等生物大分子化学计量比,该架构还可应用于分析化学领域其它具有时间序列特征的数据分析,将促进人工智能?#38469;?#22312;化学中的应用。相关研究成果发表在近期J. Am. Chem. Soc.(2019,141,6976-6985 

  1 CLDNN深度学习用于单分子光漂白计数分析及蛋白质化学计量比研究 

    

    

    

                       分子纳米结构与纳米?#38469;?#38498;重点实验室 

                                     2019523 

中国科学院化学研究所 地址:北京市海淀区中关村北一街2号 邮编:100190
电话:010-62554001 010-62554626 传真:010-62559373 010-62569564
京ICP备05002796号 京公网安备110402500016号
跑跑卡丁车手游q2上线