科｜技｜突｜破
Science Breakthrough
Nature Genetics：突破克隆玉米关键抗旱基因｜功能基因
PBJ：利用烟草低成本生产癌症免疫检查点抑制剂｜植物合成
Nature：利用AI创造替代食物来源的新蛋白质｜AI计算
Advanced Science ：基于可解释深度超图学习模型的多肽二级结构预测｜AI设计
NAR：面向生物序列功能分析的“一站式”深度学习计算平台｜AI设计
科｜技｜突｜破
Nature Genetics：突破克隆玉米关键抗旱基因｜功能基因
干旱是威胁玉米高产、稳产的主要自然因素。鉴定玉米抗旱种质资源、解析其遗传基础，对玉米抗旱性的遗传改良和分子设计育种具有重要意义。中国农业大学团队研究利用三代PacBio长读长测序技术、HiC技术和光学图谱完成了玉米抗旱优异种质资源CIMBL55基因组的高质量组装和注释工作。研究发现，前期通过全基因组关联分析（GWAS）和干旱应答基因表达的数量性状位点解析（eQTL）确定的108个潜在的抗旱基因中，CIMBL55基因组中至少携带了65个抗旱基因的优异等位变异，推测这可能是构成其优良抗旱性的遗传基础。CIMBL55基因组的组装为解析玉米抗旱性的遗传变异、鉴定优异抗旱基因资源、克隆关键抗旱基因，提供了高质量的基因组信息。
原文链接：
https://doi.org/10.1038/s41588-023-01297-y
PBJ：利用烟草低成本生产癌症免疫检查点抑制剂｜植物合成
与哺乳动物细胞平台相比，植物制造系统具有较低的初始投资、较低的培养成本、易于扩展生产、污染性低等优势，产生的蛋白质具有更均匀的糖基化特征。伦敦大学感染与免疫研究所团队研究探讨在工厂制造系统中生产免疫检查点抑制剂（ICI）的可行性，旨在使用工厂制造系统向更广泛的市场提供价格合理的ICI。ICIs Monalizumab、Nivolumab和 Relatimab使用植物表达系统MIDAS-P在本塞姆氏烟草和普通烟草中实现了成功瞬时表达。这种形式与在哺乳动物细胞中进行的临床使用或临床试验中的形式一致。ICI还以突变的IgG1形式表达，以提高纯化回收率并减少Fcγ受体结合。本研究确定了植物来源的ICI的蛋白质积累和恢复、配体结合特征、功能能力和制造成本。展示了使用基于IgG1的恒定区来提高纯化回收率并减少Fcγ受体结合。这将大大促进在使用工厂制造系统向更广泛的市场提供价格合理的ICI。
原文链接：
https://doi.org/10.1111/pbi.14034
Nature：利用AI创造替代食物来源的新蛋白质｜AI计算
人工智能（AI）对食品生物分子杂性的作用，可以帮助设计可持续、低成本、优质的蛋白质来源以支持人类和地球的健康。研究人员将随机氨基酸序列输入到一个结构预测网络中，根据网络的预测使得该结构越来越像蛋白质。该团队描述了两种人工智能方法，能够将特定的序列或结构嵌入到新的蛋白质中，用这些方法设计了催化特殊反应的酶、能够与其它分子结合的蛋白质和可用于抗呼吸道病毒的疫苗中的蛋白质。该研究旨在创建一个关于食品生化成分和功能的公共数据库，揭示AI可以用来设计新的蛋白质作为替代食物来源。
原文链接：
https://www.nature.com/articles/d41586-022-02947-7
Advanced Science ：基于可解释深度超图学习模型的多肽二级结构预测｜AI设计
目前已经有很多方法被设计用于蛋白质结构预测，由于肽和蛋白质之间的固有结构差异其不能够完全适用于二级结构预测。山东大学联合俄亥俄州立大学课题组研究了一种用于预测肽二级结构和探索下游任务的深度图学习框架PHAT。该框架包括一个新的可解释的深度超图多头注意力网络，该网络使用基于残差的推理进行结构预测。此算法可以结合来自大规模生物语料库的序列语义信息和来自多尺度结构分割的结构语义信息，即使使用极短的肽，也可以获得更好的准确性和可解释性。该研究进一步证明了二级结构在肽三级结构重建和下游功能分析中的重要性，突出了模型的多功能性。
原文链接：
https://doi.org/10.1002/advs.202206151
NAR：面向生物序列功能分析的“一站式”深度学习计算平台｜AI设计
新一代测序技术的发展使得生物序列数据量呈指数增长，由于传统的湿实验方法费力、耗时且成本高，数据驱动的机器学习策略在近些年已经成为序列功能分析有效的解决方案之一。电子科技大学联合山东大学构建了首个生物序列功能分析的深度学习计算平台 DeepBIO，该平台主要面向生物学家或者没有编程基础的研究者们提供“一站式”计算服务，给定任意的生物序列数据，平台总共支持42种深度学习算法全自动建模训练、比较、优化等流程，以及提供全面的结果可视化分析，涵盖数据集分析，模型性能比较、可解释性、特征分析、序列功能区域发现等。
原文链接：
https://doi.org/10.1093/nar/gkad055
