将多模态特征与深度学习相结合用于蛋白质溶解度预测

摘要

蛋白质溶解度的预测在生物技术和医学领域具有重要意义。随着蛋白质设计、酶挖掘和定向进化等计算和实验技术的不断进步，准确预测天然蛋白和突变蛋白的溶解度已成为加速功能性蛋白开发的关键步骤。在本研究中，我们从蛋白质序列中提取了理化性质和共同进化特征，并进一步结合基于图的蛋白质表示方法以及表面特征作为溶解度预测的输入。基于这些特征，我们开发了两个模型：ProSolNet和ProSolNet_Mut。ProSolNet用于预测蛋白质是否可溶，而ProSolNet_Mut则用于预测突变引起的溶解度变化。与现有的最先进模型相比，这两个模型在各自的任务中都取得了更高的准确率。此外，我们还通过可解释性分析研究了这些模型的潜在机制和应用潜力。