
機器學習模型可以利用視蛋白基因序列數據準確預測最大吸收波長 (λmax)，並揭示基因型-表現型關係，為蛋白質工程和進化生物學研究提供新的途徑。


coremsg

Background Predicting phenotypes from genetic variation is foundational for fields as diverse as bioengineering and global change biology, highlighting the importance of efficient methods to predict gene functions. Linking genetic changes to phenotypic changes has been a goal of decades of experimental work, especially for some model gene families including light-sensitive opsin proteins. Opsins can be expressed in vitro to measure light absorption parameters, including λmax - the wavelength of maximum absorbance - which strongly affects organismal phenotypes like color vision. Despite extensive research on opsins, the data remain dispersed, uncompiled, and often challenging to access, thereby precluding systematic and comprehensive analyses of the intricate relationships between genotype and phenotype.

Results Here, we report a newly compiled database of all heterologously expressed opsin genes with λmax phenotypes called the Visual Physiology Opsin Database ( VPOD ). VPOD_1.0 contains 864 unique opsin genotypes and corresponding λmax phenotypes collected across all animals from 73 separate publications. We use VPOD data and deepBreaks to show regression-based machine learning (ML) models often reliably predict λmax, account for non-additive effects of mutations on function, and identify functionally critical amino acid sites.

Conclusion The ability to reliably predict functions from gene sequences alone using ML will allow robust exploration of molecular-evolutionary patterns governing phenotype, will inform functional and evolutionary connections to an organism’s ecological niche, and may be used more broadly for de-novo protein design. Together, our database, phenotype predictions, and model comparisons lay the groundwork for future research applicable to families of genes with quantifiable and comparable phenotypes.

Key Points 

### Competing Interest Statement

The authors have declared no competing interest.

*   ### Abbreviations
    
    Adaboost
    :   Adaptive Boosting
    AIC
    :   Akaike Information Criterion
    COS1
    :   Monkey kidney cell line
    CV
    :   Cross-Validation
    DNA
    :   Deoxyribonucleic Acid
    ERG
    :   Electroretinogram
    GBC
    :   Gradient Boosting Classifier
    GPCR
    :   G-Protein Coupled Receptors
    HEK293
    :   Human embryonic kidney cell line
    ISH
    :   In-situ Hybridization
    KDE
    :   Kernel Density Estimate
    LGBM
    :   Light Gradient Boosting Machine
    LWS
    :   Long-Wave Sensitive
    MAE
    :   Mean Absolute Error
    MAPE
    :   Mean Absolute Percentage Error
    ML
    :   Machine Learning
    MSE
    :   Mean Squared Error
    MSP
    :   Microspectrophotometry
    MWS
    :   Medium Wavelength-Sensitive
    NCBI
    :   National Center for Biotechnology Information
    nm
    :   Nanometers
    RMSE
    :   Root Mean Square Error
    RNA
    :   Ribonucleic Acid
    SWS
    :   Short-Wave Sensitive
    T1
    :   Type-1 {Microbial Opsins}
    TMD
    :   Transmembrane Domain
    USS
    :   Ultraviolet and Short-wave Sensitive
    UVS
    :   Ultraviolet-Sensitive
    VPOD
    :   Visual Physiology Opsin Database
    WAG
    :   Whelan and Goldman substitution model
    WDS
    :   Whole Dataset
    WT
    :   Wild-Type
    XGB
    :   Extreme Gradient Boosting
    λmax
    :   Lambda Max / Wavelength of light with maximal absorbance

Discovering genotype-phenotype relationships with machine learning and the Visual Physiology Opsin Database (VPOD)

利用機器學習和視覺生理學視蛋白資料庫-vpod-探索基因型-表現型關係


利用機器學習和視覺生理學視蛋白資料庫 (VPOD) 探索基因型-表現型關係


title_rewrite


本文探討了激活子和抑制子對基因表達調控的影響，特別關注競爭性結合機制如何影響基因表達的噪聲。


隨機基因表現中激活子-抑制子的競爭性結合與其噪聲特性研究


本研究利用混合量子經典動力學模擬和時間分辨光電子能譜，揭示了氣相二苯甲酮及其衍生物間甲基二苯甲酮在單線態激發態的非絕熱弛豫機制，特別關注了通過圓錐交叉實現的 S3 到 S2 以及 S2 到 S1 的快速內轉換過程，並探討了 S2/S1 圓錐交叉產生的電子相干性。


二苯甲酮中非絕熱動力學的模擬-通過光電子能譜追踪內轉換


二苯甲酮中非絕熱動力學的模擬：通過光電子能譜追踪內轉換



生態、空間結構和選擇壓力等演化驅動因素，在系統發育結構中留下可偵測的印記，可用於推斷大型演化族群的動態。


生態-空間結構和選擇壓力對系統發育結構的強烈影響


生態、空間結構和選擇壓力對系統發育結構的強烈影響



本文提出了一種基於上同調的 Gromov-Hausdorff 超度量方法來量化分子相似性，該方法通過分析循環、空隙和高維腔結構等局部拓撲特徵，克服了傳統持久同源性方法的局限性，並在有機無機雜化鈣鈦礦 (OIHP) 結構的聚類任務中展現出有效性。


基於上同調的-gromov-hausdorff-度量方法量化分子相似性


基於上同調的 Gromov-Hausdorff 度量方法量化分子相似性



蛋白質適應性地形，作為蛋白質序列與功能之間關係的抽象表示，對於理解蛋白質進化和指導蛋白質工程至關重要；其平滑或崎嶇的程度，主要受上位效應影響，決定了蛋白質優化的難易度和途徑。


計算與實驗探索蛋白質適應性地形-在平滑和崎嶇的地形中航行


計算與實驗探索蛋白質適應性地形：在平滑和崎嶇的地形中航行



本研究建立了一個量化的胸腺形態學框架，並利用該框架對人類胎兒和出生後早期胸腺細胞的空間分佈、轉錄組學和多重成像數據進行了分析，揭示了胸腺細胞發育的空間組織和細胞間相互作用。


A quantitative morphological framework for the human thymus&nbsp;reveals the establishment of the lobular cytokine network, canonical thymocyte trajectories and thymic epithelial cell distributions in fetal and paediatric thymic development.

A spatial human thymus cell atlas mapped to a continuous tissue axis - Nature

基於連續組織軸繪製的人類胸腺細胞空間圖譜


本文探討了從 k 子序列（按順序重新編號為 1, 2, ..., k 的長度為 k 的子序列）重建排列序列的問題，並證明了可以從其 k 子序列的多重集重建任何長度為 n 的排列的最小數字 k 介於 exp (Ω(√ln n)) 和 O(√n ln n) 之間。


從子序列重建排列的改進


本文介紹了一種基於最佳傳輸理論的新框架，用於模擬具有任意動態形狀和變形特性的粒子系統，並重點介紹了其在複製計算生物學中幾個經典系統方面的多功能性。


基於最佳傳輸的形狀和體積約束多細胞模擬


本文提出了一個基於語用資訊的美學評價現象學模型，並以西方調性音樂中的終止式效應實驗為例，探討了語境不確定性、刺激驚奇度與美學愉悅感之間的關係。


美學評價的語用資訊-以西方調性音樂的終止式效應為例


美學評價的語用資訊：以西方調性音樂的終止式效應為例
