中大新聞網訊（通訊員張玉琦）液-液相分離(Liquid-liquid phase separation,LLPS)是介導蛋白質和核酸等大分子在細胞中區室化分布的重要機制之一，廣泛參與轉錄調控、自噬、DNA復制、染色質互作等多種重要生物學過程。異常相分離與神經退行性疾病、腫瘤等多種重大疾病密切相關。因此，解析相分離的功能對于破譯細胞生命活動和疾病機制至關重要。
2024年3月26日，中山大學丁俊軍課題組在Nature communications發表了題為Precise prediction of phase-separation key residues by machine learning的研究成果。該研究建立了一種機器學習算法PSPHunter（Phase-Separating Protein Hunter），通過整合相分離蛋白的序列和功能特征來預測相分離蛋白并識別關鍵氨基酸，進一步量化疾病相關突變對相分離的影響，剖析相分離與疾病之間的關系。
在該項研究中，研究人員首先整合現有的相分離蛋白數據以及相分離相關序列和功能特征，建立了機器學習算法PSPHunter，基于算法評分篩選出由898個相分離蛋白構成的相分離蛋白組PSProteome。進而，運用滑動窗口（Sliding-window）策略針對蛋白質序列進行連續截斷，定義截斷后使相分離能力下降最多的片段為關鍵氨基酸（Key residues）。通過現有研究與實驗兩種途徑驗證了算法可靠性之后，進一步解析了相分離關鍵氨基酸的內在特征，并評估了突變對于相分離的影響，對于相分離和致病突變之間的關系進行了全面解析。
綜上所述，該研究報道了一種基于多信息融合的機器學習模型PSPHunter，可用于鑒定相分離蛋白和相分離關鍵氨基酸。利用該算法建立相分離蛋白質組、相分離關鍵氨基酸圖譜和相分離功能障礙致病突變圖譜等資源，有助于闡明相分離蛋白的功能，探索相分離在轉錄調控、細胞命運轉變和疾病發展中的機制。
原文鏈接：https://www.nature.com/articles/s41467-024-46901-9
