内容形式:摘要译文
高通量定向进化可产生纵向序列文库,非常适合探究局部适应度邻域,但在接触预测等全局推断任务中往往统计效能不足。我们提出了一种无监督推断模型,将定向进化测序时间序列与天然同源序列相结合。我们将序列投影到从天然多序列比对中学习得到的低维潜在空间,并将实验过程建模为该空间中的奥恩斯坦–乌伦贝克动力学。通过对潜在空间中的漂移和噪声参数进行最大似然估计,确定一个平稳高斯分布,进而在序列空间中诱导出一个有效的波茨模型。推断得到的耦合通过结合自然界的全局进化约束与实验特异性的局部信号,提高了结构接触预测的准确性。在PSE1 β-内酰胺酶和二氢叶酸还原酶上的实验表明,该模型能够识别出仅使用天然数据或实验数据的方法未能检出的正确互补接触,且性能提升主要集中于中程和长程接触。
关键词:蛋白质序列演化 · 定向进化 · 潜在空间建模 · 奥恩斯坦–乌伦贝克过程 · 波茨模型 · 蛋白质接触预测
原文链接:https://www.biorxiv.org/content/10.64898/2026.09.16.751972v1?rss=1
来源出处
将蛋白质序列演化建模为潜在空间中的奥恩斯坦–乌伦贝克过程
https://www.biorxiv.org/content/10.64898/2026.09.16.751972v1?rss=1