Predikce teploty tání proteinů na základě strojového učení pro objevování stabilních biokatalyzátorů

Bc. Karen Pailozian

Bachelor's thesis

Machine learning-based prediction of protein melting temperatures for discovery of stable biocatalysts

Abstract:

Stabilita proteinů je důležitou vlastností ovlivňující fungování biokatalyzátorů. Stabilní biokatalyzátory mohou zvýšit účinnost reakcí a najít uplatnění v průmyslu místo chemických katalyzátorů. V poslední době se k určování stabilních proteinů na základě jejich aminokyselinových sekvencí aktivně používají techniky strojového učení. Protože bod tání bílkovin silně koreluje se stabilitou, je to jedna z nejdůležitějších hodnot, které prediktory strojového učení mohou předpovídat. Tato oblast však zůstává z velké části neprozkoumaná a dostupné prediktory nejsou spolehlivé. Cílem této práce bylo zlepšit současné nejmodernější prediktory bodu tání tím, že (1) se zopakuje jejich pracovní postup, (2) zlepší se pracovní postup přidáním novějších dat, přísných tréninkových protokolů a dalších funkcí a (3) prozkoumá se potenciál využití embeddingů ze samoučení. Za tímto účelem byl shromážděn velký soubor dat s teplotami tání proteinů, které mají různé fyzikálně-chemické a strukturní vlastnosti. Rovněž byly extrahovány embeddingy z nejmodernějšího modelu ESM-2. Nakonec byly natrénovány a vyhodnoceny různé modely strojového učení jako součást několika navržených pipelinů. Nejlepší výsledný prediktor založený na embeddingech z ESM-2 a vícevrstvém perceptronu se 64 a 32 neurony ve dvou skrytých vrstvách překonal předchozí prediktory a vykázal RSME = 6.7, R2 = 0.71 a Pearsonův korelační koeficient = 0.84 pro testovací data. Tyto výsledky naznačují, že daný prediktor se může stát součástí postupů pro získávání nových proteinů s vysokou očekávanou stabilitou.

Abstract:

Protein stability is an important property affecting the functioning of biocatalysts. Stable biocatalysts can improve reaction efficiency and find applications in industry instead of chemical catalysts. Recently, machine learning techniques have been actively deployed to determine stable proteins based on their amino acid sequences. As protein melting point strongly correlates with stability, it is one of the most important values that machine learning predictors can predict. However, this field remains largely unexplored and the few available predictors are still not reliable. The goal of this work was to improve the current state-of-the-art melting point predictors by (1) replicating their workflow, (2) improving the workflow by adding more recent data, rigorous training protocols, and extra features, and (3) exploring the potential of using embeddings from self-supervised learning. To this end, a large dataset with protein melting temperatures was collected with various physicochemical and structural features for each protein. Also, embeddings were extracted from the state-of-the-art ESM-2 model. Finally, different machine learning models were trained and evaluated as a part of several designed pipelines. The best resulting predictor based on the ESM-2 embeddings and a multilayer perceptron with 64 and 32 neurons in two hidden layers outperformed the previous predictors, showing the RMSE of 6.7, R2 of 0.71, and Pearson correlation coefficient of 0.84 for the test data. These results suggest that the predictor can be included as part of enzyme mining workflows for finding promising proteins with high expected stability.

Keywords

stabilita proteinu, učení s učitelem, umělá inteligence, objevování enzymů, bod tání, strojové učení, protein stability, supervised learning, artificial intelligence, enzyme discovery, melting point, machine learning

Language used: English

Date on which the thesis was submitted / produced: 18. 5. 2023

Thesis defence

• Date of defence: 28. 6. 2023
• Supervisor: PhD Stanislav Mazurenko
• Reader: doc. Ing. Vlad Popovici, PhD

Masaryk University

Faculty of Science

Bachelor programme / field:
Biochemistry / Bioinformatics