各位好！在ACS.Cent.Sci.上今天為你推薦一篇文章：DeepLearningforPredictionandOptimizationofFast-FlowPeptideSynthesis，這篇文章的通訊作者是來自麻省理工的BradleyL.Pentelute和RafaelGomez-Bombarelli,Pentelute教授致力于蛋白質(zhì)工程與藥物傳遞，而Bombarelli教授是一名計(jì)算機(jī)輔助的合成方法學(xué)研究人員。

固相合成肽是人工合成多肽的重要方法，相對(duì)于基因重組表達(dá)而言，固相合成肽不受序列和氨基酸種類的限制，因而適用范圍更廣。但SPPS包含了多個(gè)步驟的重復(fù)反應(yīng)，耗時(shí)耗力。流式化學(xué)技術(shù)的發(fā)展促進(jìn)了自動(dòng)合成儀器化學(xué)平臺(tái)的設(shè)計(jì)和使用，本文作者的實(shí)驗(yàn)室設(shè)計(jì)了一臺(tái)可實(shí)現(xiàn)高效自動(dòng)SPPS的快速流式肽合成自動(dòng)化儀器(AFPS)。但目前合成過程中存在的副反應(yīng)如聚集等問題尚未解決。為提高收率，作者設(shè)想用算法實(shí)時(shí)優(yōu)化自動(dòng)合成。

為此，作者需要該算法能夠在合成條件和產(chǎn)率之間建立精確的聯(lián)系，該目標(biāo)可以通過深度學(xué)習(xí)的方法實(shí)現(xiàn)。但有效的深度學(xué)習(xí)需要大量高質(zhì)量和標(biāo)準(zhǔn)化的數(shù)據(jù)，這就意味著不能簡(jiǎn)單地從公開發(fā)表的資料中收集數(shù)據(jù)，因?yàn)檫@些資料標(biāo)準(zhǔn)不同，而且不一定可以重復(fù)。利用AFPS，在相同的優(yōu)化參數(shù)下，進(jìn)行了多步脫保護(hù)合成，得到了35427個(gè)獨(dú)立的UV-Vis檢測(cè)數(shù)據(jù)，得到了高重復(fù)性、統(tǒng)一標(biāo)準(zhǔn)的數(shù)據(jù)。研究人員用指紋圖譜對(duì)每個(gè)合成反應(yīng)中的前體序列和所引入的氨基酸進(jìn)行編碼，使之具有條形碼的形式，其中包含了所有關(guān)鍵亞結(jié)構(gòu)的信息，如氨基酸的側(cè)鏈、酰胺鍵和保護(hù)基。研究人員把這些條形碼信息和相應(yīng)的合成參數(shù)(包括反應(yīng)溫度、流速、偶聯(lián)劑等)作為輸入，F(xiàn)moc去保護(hù)的合成UV-Vis跡線的積分、高度和寬度作為輸出，這些變量是衡量反應(yīng)成功與否的重要標(biāo)準(zhǔn)。通過對(duì)所收集的數(shù)據(jù)進(jìn)行訓(xùn)練，得出深度神經(jīng)網(wǎng)絡(luò)模型，并用此模型預(yù)測(cè)的UV-Vis跡線與實(shí)驗(yàn)結(jié)果在誤差允許的范圍內(nèi)吻合。

應(yīng)用此模型預(yù)測(cè)了聚合度和序列的相關(guān)性，聚合度是SPPS最重要的副反應(yīng)之一，但聚合度和肽段序列的相關(guān)性還不清楚。本文利用寬高比對(duì)該特征進(jìn)行了量化定義，并利用訓(xùn)練模型準(zhǔn)確地判斷了加入Ala18后GLP-1的聚集行為，從而確定了GLP-1的聚集特征。為深入研究聚合度與序列之間的關(guān)系，作者利用該模型對(duì)PDB中8000多個(gè)蛋白質(zhì)的聚合度進(jìn)行了預(yù)測(cè)，發(fā)現(xiàn)芳基和大側(cè)鏈氨基酸最易引起聚合度的增加。為了證實(shí)這一點(diǎn)，作者對(duì)所選擇的已合成的多肽進(jìn)行了單點(diǎn)突變，并用模型來判斷所有突變體發(fā)生聚集的可能性，然后用實(shí)驗(yàn)合成了其中一些多肽，并將其產(chǎn)量與模型預(yù)測(cè)值相比較，兩者吻合。

以該模型的預(yù)測(cè)結(jié)果為指導(dǎo)，對(duì)AFPS自動(dòng)合成過程中的參數(shù)進(jìn)行了優(yōu)化，從而為除Trp外的其他氨基酸配制提供了新的配制方案。結(jié)果表明，在優(yōu)化條件下，大部分氨基酸的偶聯(lián)產(chǎn)率均有所提高，但還存在進(jìn)一步優(yōu)化的空間，包括Trp。

基于以上分析，作者采用深度學(xué)習(xí)模型預(yù)測(cè)了多肽合成的產(chǎn)率，并以此模型指導(dǎo)合成條件的優(yōu)化。期望未來該模型能在合成過程中實(shí)現(xiàn)實(shí)時(shí)調(diào)節(jié)，即能根據(jù)前一步合成的表征信息，自動(dòng)給出下一步合成的最佳優(yōu)化條件。

原創(chuàng)文章如有轉(zhuǎn)載，請(qǐng)注明出處“本文首發(fā)于固拓多肽合成生物科技有限公司（vonev.cn）”