新结构预测方法来日科学家建立起500个以往无法预测的蛋白质的模型

来自美加州大学伯克利分校的科学家们最近刊发了一项工作，其为思考细菌生命体的系统性奠下了基础。“我们的科学研究务实，对于破坏性真菌细菌Magnaporthe oryzae的激素受体，用到人工智能的无实例机器学习确实比起基于实例的机器学习，” 刊发在MPMI杂志上的论文的第一作者Kyungyong Seong说道。

细菌利用的是一种被称为震荡器的毒力因子，这对细菌的生存极为最主要。相合机器学习是最广泛用到的作法之一，但这需要用到已解决的震荡器骨架实例，而解决所有的震荡器骨架是一项太费时的任务。细菌基因组中的编码的震荡受体太多，其能够比较简单地借助于检验来解决每一个骨架。

Seong和同事Ksenia V. Krasileva则用到了一种新的骨架假设作法，该作法能为以前基于实例的作法能够假设的500种激素受体组织起来模型。

Krasileva说明：“在我们的科学研究中的，1854个激素受体中的约有70%被机器学习，它们的骨架根据它们联合点的近似于性或其他已解决的受体骨架提供者了关于震荡若无的额外讯息。我们证明了新的骨架假设作法很限于于译码细菌毒力因子和其他激素受体的原因，这些受体相互间或与其他受体相互间的碱基近似于度往往较大。”

这种系统性使科学家能绘制出数以千计的激素受体并在它们相互间组织起来起缺失的生命体连系。“我们相信我们的科学研究是在人工智能骨架假设的新方向，首次在植若无细菌上广泛应用骨架基因组学的概念，”Seong说道。

“随着骨架假设的准确性大幅提高，相结合大规模受体质骨架假设数据集的撰文将变得更加常见，”Krasileva假设道，“我们的撰文可能会引发一些关于如何用到此类数据集的期望并所致一些科学家在其他方面提前探讨机会。”

他们还见到，在M. oryzae中的有许多新的碱基比如说骨架近似于的震荡器，并且骨架近似于的震荡器在其他植若无细菌中的也有见到。这指出，细菌可能是借助于一套联合起源但在生命体更进一步中的碱基基本上分歧的震荡器来感染植若无。