Digitalni repozitorij raziskovalnih organizacij Slovenije

Izpis gradiva
A+ | A- | Pomoč | SLO | ENG

Naslov:Learning deep representations of enzyme thermal adaptation
Avtorji:ID Li, Gang (Avtor)
ID Buric, Filip (Avtor)
ID Zrimec, Jan (Avtor)
ID Viknander, Sandra (Avtor)
ID Nielsen, Jens (Avtor)
ID Zelezniak, Aleksej (Avtor)
ID Engqvist, Martin K. M. (Avtor)
Datoteke:URL URL - Izvorni URL, za dostop obiščite https://doi.org/10.1002/pro.4480
 
.pdf PDF - Predstavitvena datoteka, prenos (2,61 MB)
MD5: 03BF75E72E440D4ECA389BB101357A24
 
Jezik:Angleški jezik
Tipologija:1.01 - Izvirni znanstveni članek
Organizacija:Logo NIB - Nacionalni inštitut za biologijo
Povzetek:Temperature is a fundamental environmental factor that shapes the evolution of organisms. Learning thermal determinants of protein sequences in evolution thus has profound significance for basic biology, drug discovery, and protein engineering. Here, we use a data set of over 3 million BRENDA enzymes labeled with optimal growth temperatures (OGTs) of their source organisms to train a deep neural network model (DeepET). The protein-temperature representations learned by DeepET provide a temperature-related statistical summary of protein sequences and capture structural properties that affect thermal stability. For prediction of enzyme optimal catalytic temperatures and protein melting temperatures via a transfer learning approach, our DeepET model outperforms classical regression models trained on rationally designed features and other deep-learning-based representations. DeepET thus holds promise for understanding enzyme thermal adaptation and guiding the engineering of thermostable enzymes.
Ključne besede:bioinformatics, deep neural networks, enzyme catalytic temperatures, optimal growth temperatures, protein thermostability, transfer learning
Status publikacije:Objavljeno
Verzija publikacije:Objavljena publikacija
Datum objave:01.12.2022
Leto izida:2022
Št. strani:1-14 str.
Številčenje:Vol. 31, iss. 12
PID:20.500.12556/DiRROS-19374 Novo okno
UDK:577
ISSN pri članku:1469-896X
DOI:10.1002/pro.4480 Novo okno
COBISS.SI-ID:130304771 Novo okno
Opomba:Ostali avtorji: Filip Buric, Jan Zrimec, Sandra Viknander, Jens Nielsen, Aleksej Zelezniak, Martin KM Engqvist; Nasl. z nasl. zaslona; Opis vira z dne 21. 11. 2022; Štev. članka: e4480;
Datum objave v DiRROS:17.07.2024
Število ogledov:150
Število prenosov:124
Metapodatki:XML RDF-CHPDL DC-XML DC-RDF
:
Kopiraj citat
  
Objavi na:Bookmark and Share


Postavite miškin kazalec na naslov za izpis povzetka. Klik na naslov izpiše podrobnosti ali sproži prenos.

Gradivo je del revije

Naslov:Protein science
Skrajšan naslov:Protein Sci
Založnik:Cambridge University Press.
ISSN:1469-896X
COBISS.SI-ID:3098900 Novo okno

Gradivo je financirano iz projekta

Financer:EC - European Commission
Številka projekta:722287
Naslov:Predictive and Accelerated Metabolic Engineering Network
Akronim:PAcMEN

Financer:ARIS - Javna agencija za znanstvenoraziskovalno in inovacijsko dejavnost Republike Slovenije
Številka projekta:J2-3060-2021
Naslov:Sistemsko biološko podprto globoko učenje za interpretacijo načel regulacije rasti in obrambe rastlin

Financer:Drugi - Drug financer ali več financerjev
Program financ.:Novo Nordisk Foundation
Številka projekta:NNF10CC1016517

Financer:Drugi - Drug financer ali več financerjev
Program financ.:SciLifeLab funding and the Swedish Research Council (Vetenskapsrådet)
Številka projekta:2019-05356

Financer:Drugi - Drug financer ali več financerjev
Program financ.:Public Scholarship, Development, Disability and Maintenance Fund of the Republic of Slovenia
Številka projekta:11013-9/2021-2

Financer:Drugi - Drug financer ali več financerjev
Program financ.:Swedish National Infrastructure for Computing (SNIC)

Licence

Licenca:CC BY 4.0, Creative Commons Priznanje avtorstva 4.0 Mednarodna
Povezava:http://creativecommons.org/licenses/by/4.0/deed.sl
Opis:To je standardna licenca Creative Commons, ki daje uporabnikom največ možnosti za nadaljnjo uporabo dela, pri čemer morajo navesti avtorja.

Sekundarni jezik

Jezik:Slovenski jezik
Ključne besede:bioinformatika, optimalna temperatura rasti, termostabilnost proteinov, globoko ucenje


Nazaj