科｜技｜突｜破
Science Breakthrough
Nature Genetics：突破克隆玉米關鍵抗旱基因｜功能基因
PBJ：利用煙草低成本生產癌症免疫檢查點抑製劑｜植物合成
Nature：利用AI創造替代食物來源的新蛋白質｜AI計算
Advanced Science ：基於可解釋深度超圖學習模型的多肽二級結構預測｜AI設計
NAR：面向生物序列功能分析的“一站式”深度學習計算平台｜AI設計
科｜技｜突｜破
Nature Genetics：突破克隆玉米關鍵抗旱基因｜功能基因
乾旱是威脅玉米高產、穩產的主要自然因素。鑒定玉米抗旱種質資源、解析其遺傳基礎，對玉米抗旱性的遺傳改良和分子設計育種具有重要意義。中國農業大學團隊研究利用三代PacBio長讀長測序技術、HiC技術和光學圖譜完成了玉米抗旱優異種質資源CIMBL55基因組的高質量組裝和注釋工作。研究發現，前期通過全基因組關聯分析（GWAS）和乾旱應答基因表達的數量性狀位點解析（eQTL）確定的108個潛在的抗旱基因中，CIMBL55基因組中至少攜帶了65個抗旱基因的優異等位變異，推測這可能是構成其優良抗旱性的遺傳基礎。CIMBL55基因組的組裝為解析玉米抗旱性的遺傳變異、鑒定優異抗旱基因資源、克隆關鍵抗旱基因，提供了高質量的基因組信息。
原文鏈接：
https://doi.org/10.1038/s41588-023-01297-y
PBJ：利用煙草低成本生產癌症免疫檢查點抑製劑｜植物合成
與哺乳動物細胞平台相比，植物製造系統具有較低的初始投資、較低的培養成本、易於擴展生產、污染性低等優勢，產生的蛋白質具有更均勻的糖基化特徵。倫敦大學感染與免疫研究所團隊研究探討在工廠製造系統中生產免疫檢查點抑製劑（ICI）的可行性，旨在使用工廠製造系統向更廣泛的市場提供價格合理的ICI。ICIs Monalizumab、Nivolumab和 Relatimab使用植物表達系統MIDAS-P在本塞姆氏煙草和普通煙草中實現了成功瞬時表達。這種形式與在哺乳動物細胞中進行的臨床使用或臨床試驗中的形式一致。ICI還以突變的IgG1形式表達，以提高純化回收率並減少Fcγ受體結合。本研究確定了植物來源的ICI的蛋白質積累和恢復、配體結合特徵、功能能力和製造成本。展示了使用基於IgG1的恆定區來提高純化回收率並減少Fcγ受體結合。這將大大促進在使用工廠製造系統向更廣泛的市場提供價格合理的ICI。
原文鏈接：
https://doi.org/10.1111/pbi.14034
Nature：利用AI創造替代食物來源的新蛋白質｜AI計算
人工智能（AI）對食品生物分子雜性的作用，可以幫助設計可持續、低成本、優質的蛋白質來源以支持人類和地球的健康。研究人員將隨機氨基酸序列輸入到一個結構預測網絡中，根據網絡的預測使得該結構越來越像蛋白質。該團隊描述了兩種人工智能方法，能夠將特定的序列或結構嵌入到新的蛋白質中，用這些方法設計了催化特殊反應的酶、能夠與其它分子結合的蛋白質和可用於抗呼吸道病毒的疫苗中的蛋白質。該研究旨在創建一個關於食品生化成分和功能的公共數據庫，揭示AI可以用來設計新的蛋白質作為替代食物來源。
原文鏈接：
https://www.nature.com/articles/d41586-022-02947-7
Advanced Science ：基於可解釋深度超圖學習模型的多肽二級結構預測｜AI設計
目前已經有很多方法被設計用於蛋白質結構預測，由於肽和蛋白質之間的固有結構差異其不能夠完全適用於二級結構預測。山東大學聯合俄亥俄州立大學課題組研究了一種用於預測肽二級結構和探索下游任務的深度圖學習框架PHAT。該框架包括一個新的可解釋的深度超圖多頭注意力網絡，該網絡使用基於殘差的推理進行結構預測。此算法可以結合來自大規模生物語料庫的序列語義信息和來自多尺度結構分割的結構語義信息，即使使用極短的肽，也可以獲得更好的準確性和可解釋性。該研究進一步證明了二級結構在肽三級結構重建和下游功能分析中的重要性，突出了模型的多功能性。
原文鏈接：
https://doi.org/10.1002/advs.202206151
NAR：面向生物序列功能分析的“一站式”深度學習計算平台｜AI設計
新一代測序技術的發展使得生物序列數據量呈指數增長，由於傳統的濕實驗方法費力、耗時且成本高，數據驅動的機器學習策略在近些年已經成為序列功能分析有效的解決方案之一。電子科技大學聯合山東大學構建了首個生物序列功能分析的深度學習計算平台 DeepBIO，該平台主要面向生物學家或者沒有編程基礎的研究者們提供“一站式”計算服務，給定任意的生物序列數據，平台總共支持42種深度學習算法全自動建模訓練、比較、優化等流程，以及提供全面的結果可視化分析，涵蓋數據集分析，模型性能比較、可解釋性、特徵分析、序列功能區域發現等。
原文鏈接：
https://doi.org/10.1093/nar/gkad055
