使用基于机器学习的结构预测工具来阐明植物病原体分泌蛋白的结构。机器学习和植物-病原体相互作用通常有一个黑匣子。在从输入的初级序列到蛋白质结构的预测过程中，我们不确切地知道发生了什么。同样，我们也不完全了解植物和病原体之间复杂的相互作用。中间的盒子捕捉了这个黑盒中的复杂性。资料来源:Kyungyong Seong和Ksenia V. Krasileva
加州大学伯克利分校(University of California, Berkeley)的科学家最近发表的研究成果，为思考病原体进化的新方法奠定了基础。这篇发表在MPMI杂志上的论文的第一作者Kyungyong Seong说:“我们的研究强调，使用机器学习的无模板建模确实优于对破坏性真菌病原体Magnaporthe oryzae分泌蛋白的基于模板的建模。”
病原体使用被称为效应因子的毒力因子，这对病原体的生存很重要。同源建模是应用最广泛的方法之一，但这需要使用已求解的效应器结构模板，而求解所有效应器结构是一项非常艰巨的任务。病原体基因组中编码了太多的效应蛋白，不能仅仅依靠实验来解决每一个结构。
Seong和他的同事Ksenia V. Krasileva使用了一种新的结构预测方法，能够对500种以前未被基于模板的方法预测的分泌蛋白进行建模。
Krasileva说:“在我们的研究中，1854个分泌蛋白中大约70%被建模，它们的结构根据彼此或其他已解决的蛋白结构的相似性，提供了关于效应蛋白的额外一层信息。”“我们证明，新的结构预测方法可以很好地应用于破译病原体毒力因子和其他分泌蛋白的问题，它们之间或与其他蛋白之间通常没有序列相似性。”
这种新方法允许科学家绘制数千种分泌蛋白，并在它们之间建立缺失的进化联系。成教授表示:“我们认为，在机器学习结构预测的新时代，我们的研究首次将结构基因组学的概念应用于植物病原体。”
Krasileva预测说:“随着结构预测的准确性进一步提高，将会有更多的文章结合大规模的蛋白质结构预测数据。”“我们的文章可能会激发一些关于如何使用这些数据的想法，引导一些科学家率先探索机会。”
他们还发现在m.o ryzae中存在许多新的与序列无关的结构相似的效应子，在其他植物病原菌中也发现了结构相似的效应子。这表明，病原体可能依赖一组共同起源但在进化过程中在序列上很大程度上不同的效应因子来感染植物。
参考文献:“计算结构基因组学揭开真菌植物病原Magnaporthe oryzae分泌组的共同褶皱和新家族”，Kyungyong Seong和Ksenia V. Krasileva, 2021年11月10日，MPMI杂志。DOI: 10.1094 / mpmi - 03 - 21 - 0071 - r
发表评论