Feb, 2024
集成深度学习与合成生物学：通过 N - 末端编码序列增强基因表达的共设计方法
Integrating Deep Learning and Synthetic Biology: A Co-Design Approach for Enhancing Gene Expression via N-terminal Coding Sequences
Zhanglu Yan, Weiran Chu, Yuhua Sheng, Kaiwen Tang, Shida Wang...
TL;DR利用深度学习与合成生物学协同设计的少样本训练工作流程，为 NCS 优化引入了一种新方法，通过 k 最近邻编码和 word2vec 对 NCS 进行编码，利用注意机制进行特征提取，构建时间序列网络预测基因表达强度，并通过直接搜索算法在有限训练数据中确定最佳 NCS。对 Bacillus subtilis 表达的绿色荧光蛋白进行测试，结果显示该方法生成的 NCS（MLD62）能使 GFP 的平均表达量增加 5.41 倍，优于当前最先进的 NCS 设计。通过进一步实验，我们还证明了工程化的 NCS（MLD62）能够有效提高 N - 乙酰神经氨酸酸的产量，并提升关键限速基因 GNA1 的表达，证明了其实际的实用性。我们已经开源了 NCS 表达数据库和实验流程供公众使用。