Nat Biotech：“机器学习”帮助鉴定磷酸化位点

来源：生物谷

EMBL的欧洲生物信息学研究所（EMBL-EBI）的研究人员创建了迄今为止最大的参考磷酸化蛋白质组，将近120000个人类磷酸化位点。为了识别最重要的成员，他们使用了一种机器学习方法，能够根据功能重要性对其进行排名。

蛋白质是细胞的核心分子机器，可以通过类似于分子开关的蛋白质修饰来调节。磷酸化就是这样一种分子开关，它可以改变蛋白质的结构构象，使其活化，失活或改变其功能。尽管进行了数十年的工作，但这修饰的数量以及生物学意义仍然是一个谜。

（图片来源：Www.pixabay.com）

这项发表在《Nature Biotechnology》上的研究开发了一种可自由获取的资源，研究人员可以利用该资源更好地了解哪些蛋白质被磷酸化，哪些磷酸位点具有功能相关性。获得这些数据对于加速研究发展为许多不同的生物学过程和疾病具有重大意义。

EMBL-EBI小组负责人佩德罗·贝尔特拉（Pedro Beltrao）说：“如果全世界的科学家不分享他们的研究数据和结果，这种新资源将是不可能得到的。通过将机器学习应用于这一庞大的数据集，我们创建了一个评分系统，有望帮助研究人员确定哪些鲜为人知的磷酸位点值得继续探索。”

EMBL-EBI的研究人员从EMBL-EBI的PRoteomics IDEntifications（PRIDE）数据库中精选了100多个可公开获得的富含磷酸化的人类数据集，其中包含6000多个质谱实验。迄今为止，该项目已生成最大的开放获取参考磷酸化蛋白质组数据库。

为了识别对人类细胞最关键的磷酸位点，机器学习被用于整合每个位点的不同注释，例如保守程度。这项研究中产生的磷酸化功能评分具有巨大的潜力，可以帮助其他科学家发现更多有关他们感兴趣的蛋白质的信息。它可用于对已知的磷酸位点进行排序，以区分与分子过程和疾病在功能上相关的那些位点。例如，研究人员能够通过鉴定在调节神经元分化中起作用的两个高得分磷酸位点来证明其功能评分模型的实用性。

资讯出处：A machine learning approach to identify functional human phosphosites

原始出处：David Ochoa, Andrew F. Jarnuczak, Cristina Viéitez, Maja Gehre, Margaret Soucheray, André Mateus, Askar A. Kleefeldt, Anthony Hill, Luz Garcia-Alonso, Frank Stein, Nevan J. Krogan, Mikhail M. Savitski, Danielle L. Swaney, Juan A. Vizcaíno, Kyung-Min Noh, Pedro Beltrao. The functional landscape of the human phosphoproteome. Nature Biotechnology, 2019; DOI: 10.1038/s41587-019-0344-3