В исследовании «Определение структур конформеров РНК с помощью АСМ и глубоких нейронных сетей», опубликованном в журнале Nature, ученые представляют HORNET и подробно описывают его новаторские возможности по обнаружению ранее скрытых крупных и гибких структурных особенностей РНК.
Бенчмарк-эксперименты с смоделированными и экспериментальными изображениями АСМ подтвердили надежность объединения ранее установленных ограничений и псевдопотенциалов АСМ.
HORNET решает серьезную проблему структурной биологии РНК, предоставляя целостный и прямой метод исследования ранее неуловимых структур РНК, что имеет большое значение для будущих исследований в различных клинических, фармацевтических и биотехнологических приложениях.
Дополнительная информация:
Максимилиа Ф.С. Дегенхардт и др., Определение структуры конформеров РНК с использованием АСМ и глубоких нейронных сетей, Nature (2024). DOI: 10.1038/s41586-024-07559-x
Информация журнала:
Природа
Система была обучена на базе данных псевдоструктур, охватывающей широкий диапазон складок РНК, и протестирована на нескольких РНК, длина которых превышает 200 нуклеотидов (РНКаза P РНК, кобаламин рибопереключатель, интрон группы II и ответный элемент ВИЧ-1 Rev). РНК). Были использованы различные исходные модели, включая предсказанные структуры и конформеры, полученные на основе данных малоуглового рентгеновского рассеяния.
Тестовые примеры показали, что HORNET точно реконструирует отдельные конформации РНК, при этом среднеквадратические отклонения (показатель того, насколько близко вычисленная структура соответствует эталонной) часто не достигают порога в 7 Å, широко используемого для подтверждения основных структурных особенностей в больших РНК.
Не существует большой базы данных структур РНК, которая бы коррелировала последовательность с трехмерной топологией. Успешные белково-ориентированные методы, такие как AlphaFold, остаются недоступными для РНК, что создает критический пробел в структурной биологии. Общее отсутствие подходов глубокого обучения, специфичных для РНК, вероятно, отражает проблемы с созданием надежных структурных моделей.
