对于个体生存和发育来说，人类必需蛋白Human essential proteins (HEPs) 是不可缺少的。然而，鉴定人类必需蛋白HEP的实验方法，通常是昂贵的、耗时的和劳动密集型的。此外，现有计算方法，仅在细胞系水平上预测人类必需蛋白HEPs，但人类必需蛋白HEPs在活细胞系和动物模型中，各不相同。
今日，北京大学Boming Kang, Rui Fan，崔庆华Qinghua Cui等，在Nature Computational Science上发文，通过微调预训练的蛋白质语言模型，开发了基于序列的深度学习模型，蛋白质重要性计算器Protein Importance Calculator (PIC)。这种蛋白质重要性计算器PIC，不仅大大优于现有预测人类必需蛋白HEPs方法，而且还提供了三个水平的综合预测结果：人、细胞系和小鼠。还定义了源自PIC蛋白质必需评分（Protein Essential Score），以量化人类蛋白质的重要性，并通过一系列生物学分析，验证了有效性。还通过鉴定乳腺癌的潜在预后生物标志物和量化617，462种人类微蛋白的重要性，证明了蛋白质基本评分的生物医学价值。![]()
Comprehensive prediction and analysis of human protein essentiality based on a pretrained large language model. 基于预训练大语言模型的人类蛋白质重要性综合预测与分析。
![]()
图1: 整体工作流程。
![]()
图2: 蛋白质重要性计算器Protein Importance Calculator，PIC模型的消融研究。
![]()
图3: 蛋白质重要性计算器PIC模型的性能演示和比较。
![]()
图4: 蛋白质重要性计算器PIC模型产生的蛋白质必需评分PES生物学相关性。
Kang, B., Fan, R., Cui, C. et al. Comprehensive prediction and analysis of human protein essentiality based on a pretrained large language model. Nat Comput Sci (2024). https://doi.org/10.1038/s43588-024-00733-1https://www.nature.com/articles/s43588-024-00733-1声明：仅代表译者观点，如有不科学之处，请在下方留言指正！
