细胞是分类机器。它们利用相互作用的基因和蛋白质回路，根据多个输入信号的水平或动态，做出质量上不同的决定。例如，p53肿瘤抑制通路对细胞遇到的应激类型和水平进行分类，并诱导衰老或细胞死亡。在发育过程中，神经管中的细胞通过对骨形态发生蛋白（BMP）和hedgehog信号的振幅进行分类，从而承担特定的祖细胞命运。多种细胞因子输入的分类可以控制T细胞的命运。编程合成信号分类系统的能力可以通过允许细胞区分病变和正常细胞状态来促进工程基因和细胞治疗。合成生物学的一个主要目标是设计分类回路，可以根据不同类型的输入信号控制细胞输出。
一个强大的分类架构是赢家通吃的神经网络。在这些系统中，当且仅当输出节点的输入加权和超过输出层中所有其他节点的加权和时，输出节点是ON的。这是一种基于神经网络的信号分类方法，它只需要一个单层神经网络；确保输出为全输出或全输出；并允许调整的决定边界-线的输入空间产生不同的输出。
赢家通吃的神经网络计算可以使用工程蛋白来实现（图源自Science）
理论工作提出了工程生化神经计算系统的具体方案。在实验上，构建合成分类系统的努力已经导致了基于DNA的分类器在试管中的应用，以及基于microRNA（miRNA）的分类器在试管中的应用，以及基于microRNA（miRNA）的分类器在细胞中的应用。蛋白质水平的分类器将提供几个优势：它可以在细胞中短暂表达，并直接与内源性输入和输出相连接，绕过了细胞内的输入和输出，而不是在细胞内的输入和输出。在不依赖于内源性转录调控的情况下，可以在不同的细胞类型中选择不同的转录因子。更一般地说，创建基于蛋白质的神经网络将证明从相互作用的蛋白质中构建复杂计算系统的可行性。
合成蛋白质生物学的两项进展促进了基于蛋白质的神经网络的设计。首先，一系列模块化结合域，包括新设计的异源二聚体（DHDs），允许对蛋白质相互作用进行可编程控制。其次，这些相互作用可以反过来用来重建分裂的病毒蛋白酶，从而控制它们的活性。在这里，研究人员设计了一个基于蛋白质的神经网络，允许比较多个输入的数量并提供“赢家通吃”的输出。该系统使用设计的蛋白质，这些蛋白质被编程为在结合靶分子时形成异二聚体（参见 Galloway 和 Johnstone 的观点）。二聚化重构了病毒蛋白酶的活性，从而允许输出节点和单个“赢家”输出之间相互抑制。输出可能与细胞中的功能变化有关，例如诱导细胞凋亡。研究结果表明，在活细胞中构建分类网络和设计可调决策控制是可行的。
参考消息：
https://www.science.org/doi/10.1126/science.add8468
—END—
内容为【iNature】公众号原创，
转载请写明来源于【iNature】
微信加群
iNature汇集了4万名生命科学的研究人员及医生。我们组建了80个综合群（16个PI群及64个博士群），同时更具专业专门组建了相关专业群（植物，免疫，细胞，微生物，基因编辑，神经，化学，物理，心血管，肿瘤等群）。温馨提示：进群请备注一下（格式如学校+专业+姓名，如果是PI/教授，请注明是PI/教授，否则就直接默认为在读博士，谢谢）。可以先加小编微信号（love_iNature），或者是长按二维码，添加小编，之后再进相关的群，非诚勿扰。
投稿、合作、转载授权事宜
请联系微信ID：13701829856 或邮箱：iNature2020@163.com
觉得本文好看，请点这里！
