Nucleic Acids Res. | PASSer: 快速准确预测蛋白质变构位点

变构调控是蛋白质活性调控中关键的生物学过程。变构过程指的是蛋白质与小分子结合改变蛋白质的构象，导致其生物活性改变的现象。变构调控过程的一些特征可以应用于药物设计：（a）变构位点在蛋白质进化中具有高度特异性，（b）变构药物可以激活或抑制蛋白质活性，产生潜在的治疗效果，（c）基于变构位点的治疗效果是可控的。出于这些原因，变构位点的研究对于变构药物的开发至关重要，并在近年中得到广泛重视。

2023年4月27日，美国德州南卫理公会大学陶鹏团队在Nucleic Acids Research上发表了题目为PASSer: fast and accurate prediction of protein allosteric sites的研究论文。该文章针对蛋白质变构位点预测提供了三种机器学习模型，并搭建了蛋白质变构位点网站https://passer.smu.edu。到目前为止，PASSer已被来自70多个国家的研究团队访问超过49,000次，并执行了超过6,200个任务。

机器学习模型

PASSer网站搭载了三种机器学习模型：（1）包括了XGBoost和图卷积神经网络的集成学习模型，（2）自动机器学习（autoML）模型，（3）排序学习（Learning-to-rank）模型。其中，自动机器学习方法基于亚马逊开发的AutoGluon模型。

作者使用了上海交通大学张健老师团队开发的蛋白质变构数据库（Allosteric Database, ASD）以及由A. Zlobin等开发的CASBench数据库，基于FPocket方法检测每一个蛋白质结构的潜在位点，并用19个物理和化学描述符进行位点特征化。作者通过计算每个位点和变构小分子的距离进行自动数据标注，相关代码可通过github下载：https://github.com/smu-tao-group/PASSerRank。

三种机器学习模型性能比较

网页简介

PASSer网站设计结构

此蛋白质变构位点网站可以通过https://passer.smu.edu访问。用户可以输入PDB ID或提交自定义PDB文件。网站默认对体系中所有的蛋白质链进行分析，用户也可以选择特定的链ID。在三种机器学习模型中，集成学习模型和排序学习一般在1-2秒内完成预测任务，自动机器学习模型则需要20秒左右。结果页面列出预测结果前三的位点、概率、以及相关氨基酸，并在可交互界面内展示蛋白质结构和位点位置及形状。

结论

PASSer是一个用于预测蛋白质变构位点的网页应用程序。它提供了三个机器学习模型，以实现可靠和准确的预测性能，并提供了可交互的预测结果。该网站托管在SMU高性能计算平台上，使其能够在几秒内完成预测。PASSer已广泛应用于验证已知功能性位点以及发现新的变构位点。

参考资料

Hao Tian, Sian Xiao, Xi Jiang, Peng Tao, PASSer: fast and accurate prediction of protein allosteric sites, Nucleic Acids Research, 2023;, gkad303,

https://doi.org/10.1093/nar/gkad303

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！