蛋白氨基酸序列比对
生物学家劳伦斯·赫斯特和斯蒂芬·弗里兰在20世纪90年代末把天然基因密码和计算机随机产生的几百万组密码拿去比对，结果轰动一时。他们想知道，如果发生点突变这种把一个字母换掉的变异，哪一套密码系统能保留最多正确的氨基酸，或将它代换成另一个性质相似的氨基酸。
结果他们发现，天然的基因密码最经得起突变的考验。点突变常常不会影响氨基酸序列，而如果突变真的改变了氨基酸，也会由另一个物理特性相似的氨基酸来取代。据此，赫斯特与弗里兰宣称，天然的遗传密码比成千上万套随机产生的密码要优良得多。它不但不是大自然密码学家愚蠢而盲目的作品，而是万里挑一的密码系统。
天然的三联基因密码的第一个字母都有特定的对应方式。举例来说，所有以丙酮酸为前体合成的氨基酸，它们密码的第一个字母都是T。所有由α-酮戊二酸所合成的氨基酸，其三联密码第一个字母都是C；所有由草酰乙酸合成的氨基酸，第一个字母都是A；最后，几种简单前体通过单一步骤所合成的氨基酸，第一个字母都是G。
三联密码的第二个字母和氨基酸是否容易溶于水有关，或者说和氨基酸的疏水性有关。亲水性氨基酸会溶于水，疏水性氨基酸不会溶于水，但会溶在脂肪或油里，比如溶在含有脂质的细胞膜里。所有的氨基酸，可以从“非常疏水”到“非常亲水”排列成一张图谱，而正是这张图谱决定了氨基酸与第二个密码字母之间的关系。疏水性最强的六个氨基酸里有五个，第二个字母都是T，所有亲水性最强的氨基酸第二个字母都是A。介于中间的有些是G有些是C。
三联密码的第三个字母不含任何信息，不管接上哪一个字母都没关系，这组密码子都会翻译出一样的氨基酸。以甘氨酸为例，它的密码子是GGG，但是最后一个G可以代换成T、A或C。
第三个字母的随机性暗示了一些有趣的事情。二联密码可以编码16种氨基酸。如果我们从20个氨基酸里拿掉5个结构最复杂的（剩下15个氨基酸，再加上一个终止密码子）这样前两个字母与这15个氨基酸特性之间的关联就更明显了。因此，最原始的密码可能只是二联密码，后来才靠“密码子捕捉”的方式成为三联密码，也就是各氨基酸彼此竞争第三个字母。
第一个字母和氨基酸前体之间的关系直截了当，第二个字母和氨基酸的疏水性相关，第三个字母可以随机选择。这套密码系统除了可以忍受突变，还可以降低灾难发生时造成的损失，同时可以加快进化的脚步。因为如果突变不是灾难性的，那应该会带来更多的好处。
氨基酸序列就是蛋白质序列嘛
晓查 发自 凹非寺
量子位 报道 | 公众号 QbitAI
DeepMind去年公布了生物学界的AlphaGo——AlphaFold，只要知道蛋白质的氨基酸序列，就可以预测蛋白质分子的三维折叠结构。
△AlphaFold预测蛋白质结构
现在MIT把AI的预测能力又推进了一步，直接通过氨基酸序列预测蛋白质分子的生物学功能，跳过AlphaFold预测蛋白质立体结构的步骤。
他们的论文《Learning protein sequence embeddings using information from structure》将在今年5月的ICLR学术会议上公布。
如何预测蛋白质功能
研究人员先让模型学习一些特定蛋白质的功能，将蛋白质结构编码成表示，用不同蛋白质结构相似性来监督模型。
他们根据蛋白质结构分类数据库（SCOP），对数千各类别、大约22,000种蛋白质进行模型训练。然后，将蛋白质结构与氨基酸序列编码成嵌入（embedding）这种数字表示，随机组对送入模型中。
这种嵌入与NLP中的上下文表示类似，两种嵌入越相似，单词出现在同一个句子中的概率就越大。
像单词对语义的影响一样，氨基酸是蛋白质的“单词”，蛋白质就是整个“句子”，嵌入包含着每个氨基酸序列与另一个氨基酸序列的相似性信息，机器学习模型可以根据嵌入预测每个氨基酸对整个蛋白质功能的影响。
而且该模型还能预测蛋白质的接触图（contact map），即每个氨基酸与其他氨基酸之间的距离，与来自SCOP已知的接触图进行比较。
这有助于模型更好地了解氨基酸在蛋白质结构中的确切位置，从而进一步预测每种氨基酸对功能的影响。
总的来说，对于某个氨基酸序列，该模型将为3D结构中的每个氨基酸位置产生一个嵌入表示。机器学习模型根据这些嵌入，基于接触图准确预测每个氨基酸的功能。
研究人员使用该模型预测哪些蛋白质可以通过细胞膜，所得结果的准确性已经超过之前最先进的模型。
用于药物研发和基因治疗
蛋白质是氨基酸通过肽键组成的线性链，却能折叠成极其复杂的三维结构，其具体的结构取决于氨基酸序列和它们之间的物理相互作用。而这种结构又决定了蛋白质的生物学功能。
尽管人类已经研究了几十年蛋白质，发明了很多探测手段，但是真正能准确测量出结构的蛋白质只有很小一部分，已经的几百万种蛋白质中，我们只知道其中几万个的结构，研究每个结构都需要花费数万美元。
过去我们需要知道蛋白质的结构才能研究它的功能，MIT希望利用这项技术让预测蛋白质结构的研究边缘化，即使只知道氨基酸序列也能给出蛋白质的功能。
所幸的是，知道蛋白质的氨基酸序列是一件相对比较容易的事情，我们只要给DNA分子测序就能得到。
掌握了蛋白质的功能，我们就能知道它会和药物发生怎样的反应，帮助我们进行药物研发。
此外，某些基因突变会改变蛋白质的结构，这项工作还可以用于基因组学，来检测破坏蛋白质结构的有害突变。
论文地址：
https://arxiv.org/abs/1902.08661
开源代码与数据集：
https://github.com/tbepler/protein-sequence-embedding-iclr2019
— 完 —
诚挚**
量子位正在招募编辑/记者，工作地点在北京中关村。期待有才气、有热情的同学加入我们！相关细节，请在量子位公众号(QbitAI)对话界面，回复“**”两个字。
量子位 QbitAI · 头条号签约作者
?’?’ ? 追踪AI技术和产品新动态
给我氨基酸序列，就能告诉你蛋白质功能！MIT超过DeepMind,氨基酸序列就是蛋白质序列嘛
四种DNA字母要编码20种氨基酸。绝不可能是一对一编码，也不可能是二对一编码，因为两个字母最多只能组成16种组合（4×4）。因此，最低要求是三个字母，也就是DNA序列里面最少要有三个字母对应到一个氨基酸，被称为三联密码，后来被克里克和西德尼·布伦纳证实。
但是这样看起来似乎很浪费，因为用四种字母组成三联密码，总共可以有64种组合（4×4×4），这样应该可以编码64个不同的氨基酸，那为什么只有20种氨基酸呢？一定有一个神奇的答案来解释为什么4种字母，3个一组，拼成64个单词，然后编码20种氨基酸。
1952年，沃森就曾写信告诉克里克：“DNA合成信使RNA（mRNA）， mRNA合成蛋白质。”克里克开始研究这一小段mRNA的字母序列，如何翻译成蛋白质里面的氨基酸序列。他认为mRNA可能需要一系列“适配器”来帮助完成翻译，每一个适配器都负责携带一个氨基酸。当然每一个适配器一定也是RNA，而且都带有一段“反密码子”序列，这样才能和mRNA序列上的密码子配对。
适配器分子也由RNA分子组成。它们现在叫作“转运RNA”或tRNA。现在整个工程变得有点像乐高积木，一块块积木接上来又掉下去，一切顺利的话，它们就会这样一个接一个地搭成精彩万分的聚合物。
随着实验技术进步而且越来越精密，在20世纪60年代中期许多实验室陆续解开了序列密码。然而经过一连串不懈的译码工作后，大自然却好像随兴地给了个潦草结尾，让人既困惑又扫兴。遗传密码子的安排一点也不具创意，只不过“简并”了（意思就是说，冗余）。有三种氨基酸可对应六组密码子，其他的则各对应一到两组密码子。每组密码子都有意义，还有三组的意思是“在此停止”，剩下的每一组都对应一个氨基酸。这看起来既没规则也不美，根本就是“美是科学真理的指南”这句话的最佳反证。甚至，我们也找不出任何结构上的原因来解释密码排列，不同的氨基酸与其对应的密码之间似乎并没有任何物理或化学的关联。
克里克称这套让人失望的密码系统为“冻结的偶然”，而大部分人也只能点头同意。他说这个结果是冻结的，因为任何解冻（试图去改变密码对应的氨基酸）都会造成严重的后果。一个点突变也许只会改变几个氨基酸，而改变密码系统本身却会从上到下造成天大灾难。就好似前者只是一本书里无心的笔误，并不会改变整本书的意义，然而后者却将全部的字母转换成毫无意义的乱码。克里克说，密码一旦被刻印在石板上，任何想改动它的企图都会被处以死刑。这个观点至今仍有许多生物学家认同。
发表评论