Uma estrutura computacional baseada em aprendizado profundo, 'DeepEC, 'permitirá a previsão de alta qualidade e alto rendimento dos números de comissão da enzima, que é essencial para a compreensão precisa das funções enzimáticas.

Uma equipe formada pelo Dr. Jae Yong Ryu, Professor Hyun Uk Kim, e o distinto professor Sang Yup Lee da KAIST relataram a estrutura computacional impulsionada pelo aprendizado profundo que prevê números de comissão de enzima (EC) com alta precisão em uma maneira de alto rendimento.

DeepEC pega uma sequência de proteína como entrada e prevê com precisão os números de EC como saída. Enzimas são proteínas que catalisam reações bioquímicas e números de EC, que consistem em quatro números de nível (ou seja, uma, b, c, d) indicar reações bioquímicas. Assim, a identificação dos números EC é crítica para a compreensão precisa das funções enzimáticas e do metabolismo.

Os números EC são geralmente atribuídos a uma sequência de proteína que codifica uma enzima durante um procedimento de anotação do genoma. Devido à importância dos números EC, várias ferramentas de previsão de número EC foram desenvolvidas, mas eles têm espaço para melhorias adicionais no que diz respeito ao tempo de computação, precisão, cobertura, e o tamanho total dos arquivos necessários para a previsão do número EC.

DeepEC usa três redes neurais convolucionais (CNNs) como um mecanismo principal para a previsão de números de CE, e também implementa análise de homologia para números de CE se os três CNNs não produzem números de CE confiáveis ​​para uma determinada sequência de proteína. DeepEC foi desenvolvido usando um conjunto de dados padrão ouro cobrindo 1, 388, 606 sequências de proteínas e 4, 669 números CE.

Em particular, estudos de benchmarking do DeepEC e cinco outras ferramentas representativas de predição de números EC mostraram que o DeepEC fez as previsões mais precisas e rápidas para os números EC. DeepEC também exigia o menor espaço em disco para implementação, o que o torna um componente de software de terceiros ideal.

Além disso, DeepEC foi o mais sensível na detecção de perda de função enzimática como resultado de mutações em domínios / resíduos de sítio de ligação de sequências de proteínas; nesta análise comparativa, todos os domínios ou resíduo do local de ligação foram substituídos com resíduo de L-alanina a fim de remover a função da proteína, que é conhecido como método de varredura de L-alanina.

Este estudo foi publicado online no Proceedings of the National Academy of Sciences ( PNAS ) em 20 de junho, 2019, intitulado "Aprendizado profundo permite previsão de alta qualidade e alto rendimento dos números de comissão de enzimas."

"O DeepEC pode ser usado como uma ferramenta independente e também como um componente de software de terceiros em combinação com outras plataformas computacionais que examinam as reações metabólicas. O DeepEC está disponível gratuitamente online, "disse a professora Kim.

O distinto professor Lee disse, "Com DeepEC, tornou-se possível processar volumes cada vez maiores de dados de sequência de proteínas com mais eficiência e precisão. "