ISSN: 2329-6674
Guang Wu und Shaomin Yan
Saccharomyces cerevisiae ist die in Forschung und Industrie am häufigsten verwendete Hefe, die nachgelagerten Prozesse für ihre Proteinproduktion sind jedoch kostspielig. In dieser Studie wurde versucht, eine einfache Methode zu finden, um die Erfolgsrate der Proteinreinigung anhand von Aminosäuremerkmalen vorherzusagen. Mithilfe einer logistischen Regression und eines neuronalen Netzwerkmodells wurden 535 Aminosäuremerkmale einzeln mit dem Reinigungszustand von 1294 exprimierten Proteinen aus S. cerevisiae verglichen, von denen 870 gereinigt wurden. Die Ergebnisse zeigen, dass die Vorhersageleistung des neuronalen Netzwerks leistungsfähiger ist als die der logistischen Regression. Einige Aminosäuremerkmale sind nützlich, um die Reinigungstendenz von Proteinen vorherzusagen, und die unterschiedlichen Aminosäuremerkmale schneiden sich besser ab, wie eine sehr hohe Sensitivität bei geringer Spezifität zeigt. Darüber hinaus weisen S. cerevisiae-Proteine mit einem hohen vorhersagbaren Anteil an Aminosäurepaaren eine höhere Genauigkeit bei der Reinigungsvorhersage auf als solche mit einem niedrigen vorhersagbaren Anteil. Somit kann die Erfolgsrate der Reinigung von S. cerevisiae-Proteinen mithilfe eines neuronalen Netzwerks auf der Grundlage von Proteinsequenzinformationen vorhergesagt werden. Dieses einfache Vorhersageverfahren kann eine Vorstellung davon vermitteln, mit welcher Wahrscheinlichkeit ein Protein gereinigt wird. Dies dürfte dabei helfen, Blindexperimente zu überwinden und die Produktion von geplanten Proteinen zu verbessern.