SPINDLE：利用深度学习集成方法从单场核磁共振弛豫数据中揭示蛋白质动力学

蛋白质的功能源自其三维结构以及围绕该结构发生的原子运动。对大分子结构与动力学进行详细表征，不仅为理解酶催化、配体结合和变构作用提供了机会，也有助于深入认识突变或翻译后修饰发生后功能如何改变。在表征生物分子运动的各种方法中，核磁共振（NMR）自旋弛豫方法是测定纳秒尺度整体转动时间以及更快局部运动振幅与时间尺度的标准方法。在无模型形式主义中，通常采用多种数学模型来提取动力学参数。不幸的是，随着这些模型中拟合参数数量的增加，对于在单一磁场下采集的标准NMR弛豫数据而言，模型在数学上会变得欠定，因此需要多磁场数据集。 在此，我们提出了SPINDLE，这是一组在大规模合成NMR弛豫数据集上训练得到的深度神经网络集成。不同于传统的最小二乘拟合，SPINDLE能够仅基于三组弛豫数据中的单组数据（即在单一磁场下采集的数据），利用该集成模型进行误差估计，同时预测快、慢两种时间尺度的动力学参数。我们在合成基准测试中证明，其预测结果与真实动力学参数具有很强的相关性，且相比传统拟合技术具有更高的精确度；对于生物磁共振数据银行中约50种具有弛豫数据的蛋白质，SPINDLE也能够精确重现实验动力学参数。我们还利用深度神经网络的架构表明，在预测整体相关时间时，该模型更强调刚性残基。这一策略未来或可用于从多组弛豫数据中阐明动态残基的相关网络。

SPINDLE：利用深度学习集成从单场核磁共振弛豫数据中解析蛋白质动力学 | bioRxiv

跳转至主要内容

首页 关于 投稿 提醒 / RSS 搜索该关键词 高级搜索 新结果

SPINDLE：利用深度学习集成从单场核磁共振弛豫数据中解析蛋白质动力学。

Olivia E Krise， Michael P Latham

doi： https://doi.org/10.64898/2026.07.31.742133

Olivia E Krise 明尼苏达大学 在 Google Scholar 上查找该作者 在 PubMed 上查找该作者 在持有人为作者/资助方，其已授予 bioRxiv 永久展示该预印本的许可。 本文依据 CC-BY-NC 4.0 国际许可协议提供。

返回顶部

上一篇 下一篇

发布于 2026 年 8 月 1 日。

下载 PDF 补充材料 数据/代码 电子邮件

感谢您帮助传播 bioRxiv 的内容。

您的电子邮件 * 您的姓名 * 发送至 * 请输入多个地址，每行一个，或以逗号分隔。

您将要发送以下内容

SPINDLE：利用深度学习集成从单场核磁共振弛豫数据中解析蛋白质动力学。

邮件主题

（您的姓名）已从 bioRxiv 转发一个页面给您

邮件正文

（您的姓名）认为您可能希望查看 bioRxiv 网站上的这个页面。

您的个人留言

验证码

此问题用于测试您是否为人类访客，并防止自动垃圾信息提交。

分享

SPINDLE：利用深度学习集成从单场核磁共振弛豫数据中解析蛋白质动力学。

Olivia E Krise， Michael P Latham

bioRxiv 2026.07.31.742133； doi： https://doi.org/10.64898/2026.07.31.742133

分享本文： 复制

引文工具

SPINDLE：利用深度学习集成从单场核磁共振弛豫数据中解析蛋白质动力学。

Olivia E Krise， Michael P Latham

bioRxiv 2026.07.31.742133； doi： https://doi.org/10.64898/2026.07.31.742133

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.07.31.742133v1?rss=1

🏷️ 蛋白质动力学 核磁共振弛豫 深度学习 神经网络集成 动力学参数预测