病原體進化：新的結構預測模型繪制了500種以前未解決的蛋白質
使用基于機器學習的結構預測工具闡明植物病原體分泌蛋白的結構。機器學習和植物-病原體相互作用通常有一個黑匣子。在從輸入一級序列到蛋白質結構的預測過程中，我們并不確切知道會發生什么。同樣，我們并不完全了解植物和病原體界面的復雜相互作用。中間的盒子捕捉了這個黑盒子里的復雜性。圖片來源：Kyungyong Seong 和 Ksenia V. Krasileva
加州大學伯克利分校的科學家們最近發表了一些著作，為思考病原體進化的新方法奠定了基礎。“我們的研究強調，對于破壞性真菌病原體稻瘟病菌的分泌蛋白，使用機器學習的無模板建模確實優于基于模板的建模，”發表在 MPMI 期刊上的論文的第一作者 Kyungyong Seong說。
相關儀器: 工具測量顯微鏡
病原體使用稱為效應器的毒力因子，這對病原體的生存很重要。同源建模是使用最廣泛的方法之一，但這需要使用已求解的效應器結構的模板，并且求解所有效應器結構是一項艱巨的任務。病原體基因組中編碼的效應蛋白太多，無法簡單地依靠實驗解決每一個結構。
Seong 和同事 Ksenia V. Krasileva 使用了一種新的結構預測方法，該方法能夠模擬 500 種以前無法通過基于模板的方法預測的分泌蛋白。
“在我們的研究中模擬了 1,854 種分泌蛋白質中的大約 70%，它們的結構基于它們彼此之間的相似性或其他已解決的蛋白質結構提供了有關效應器的額外信息層，”Krasileva 說。“我們證明了新的結構預測方法很好地適用于破譯病原體毒力因子和其他分泌蛋白質的問題，這些蛋白質之間或與其他蛋白質之間通常幾乎沒有序列相似性。”
古代中國民間藝人有項絕技，米上作畫，米上書法。如今時代日新月異，科學不斷發展，國外的朋友也學會了微觀浮雕法，甚至青出于藍而勝于藍。Zui近，幾位德國的科學家在顯微鏡和一些精密儀器的幫助下，完成了一項壯舉，在顯微鏡下作畫。作畫的材質是人類的頭發絲。精密程度令人詫異!
這種新方法使科學家能夠繪制出數千種分泌蛋白質的圖譜，并在它們之間建立缺失的進化聯系。“我們相信，在機器學習結構預測的新時代，我們的研究首次將結構基因組學概念應用于植物病原體，”Seong 說。
“隨著結構預測的準確性進一步提高，看到包含大規模蛋白質結構預測數據的文章將變得越來越普遍，”Krasileva 預測道。“我們的文章可能會引發一些關于如何使用這些數據的想法，從而引導一些科學家搶先探索機會。”
他們還發現，在稻瘟病菌中存在許多新的、序列無關的、結構相似的效應子，并且在其他植物病原體中也發現了結構相似的效應子。這表明病原體可能依賴于一組通常起源但在進化過程中序列差異很大的效應子來感染植物。
