综述：基于深度学习的泛素化解码研究：从调控机制到靶向蛋白质降解

《Biology Direct》：Deep learning–driven decoding of ubiquitination: from regulatory mechanisms to targeted protein degradation

摘要

背景

泛素化是一种高度动态的翻译后修饰，它在蛋白质稳态、信号转导、免疫调节和细胞命运控制中起着核心作用。通过E3泛素连接酶和去泛素化酶的协同作用，泛素化塑造了泛素-蛋白酶体系统，并影响广泛的生理和病理过程。该系统的失调与癌症、神经退行性疾病、免疫功能障碍和代谢疾病密切相关。然而，由于注释不完整、依赖上下文的调节、短暂的分子相互作用以及高度复杂的多对多调控网络，人们对泛素化的全面理解仍然有限。

正文

在这篇综述中，我们总结了深度学习如何在多个层面上重塑泛素化研究。首先，我们概述了该领域应用的主要深度学习架构，包括卷积神经网络、循环神经网络、Transformer、蛋白质语言模型、图神经网络、生成模型和强化学习。其次，我们回顾了在预测泛素化位点和泛素链相关特征方面的最新进展，重点介绍了基于序列的、结构信息的和多模态表示学习策略。第三，我们讨论了深度学习如何有助于解析泛素化的特异性机制，包括E3泛素连接酶和去泛素化酶对底物的识别、降解基团的鉴定以及泛素化调控网络的组织。第四，我们强调了这些方法在生物标志物发现、靶向蛋白质降解、分子粘合剂发现、降解剂优化和以泛素为中心的治疗设计中的转化应用。总体而言，这些进展表明深度学习不仅提高了预测准确性，还增强了机制的可解释性，并促进了合理的分子设计。

结论

深度学习正在推动泛素化研究从描述性预测向机制理解和治疗应用方向发展。未来的进展将取决于开发更具解释性的模型、整合生理背景以及加强实验验证。这些努力将加速泛素生物学向临床有用的生物标志物、精准诊断和靶向疗法的转化。