XiaoMi-AI文件搜索系统
World File Search System突变热点
替代格式，如果您需要以替代格式此文档，请联系：openAccess@bath.ac.uk
引用出版的版本：Shepherd，MJ，Horton，JS＆Taylor，TB 2022，'Pseudomonas荧光症中的近确定性突变热点是由多个相互作用的基因组特征构成的”，《分子生物学和进化》，第1卷。39，否。6，MSAC132。https://doi.org/10.1093/molbev/msac132https://doi.org/10.1093/molbev/msac132
pdx1突变继发于突变的两例新生儿糖尿病的临床和分子描述
对基因或基因产物的有害影响（保护，进化，剪接影响等））美国医学遗传与基因组学学院（ACMG）的标准在15个预测因子中分析了将其归类为致病性。 2。 根据PM1， pdx1 c.571a> g（p.lys191glu），处于杂合性的状态，被分类为具有不确定意义的变体（位于突变热点和/或关键且良好的功能域（例如 酶的活性位点）没有良性变化）； pm2（不存在对照（或很少经常隐性））； PP3（多种计算证据支持对基因或基因产物的有害影响（保护，进化，剪接影响等）））在15个预测因子中分析了将其归类为致病性。2。pdx1 c.571a> g（p.lys191glu），处于杂合性的状态，被分类为具有不确定意义的变体（位于突变热点和/或关键且良好的功能域（例如酶的活性位点）没有良性变化）； pm2（不存在对照（或很少经常隐性））； PP3（多种计算证据支持对基因或基因产物的有害影响（保护，进化，剪接影响等））标准，在15个预测因子中进行了分析，其中14个将其归类为致病性，并具有中等效应。数据库中未报告此变体。PTF1A基因未报告致病性变异。
通过图神经网络在表型预测中利用蛋白质 - 蛋白质相互作用通过大型语言模型指导的定向演化蛋白质设计
摘要 - 指导的进化，一种蛋白质工程的策略，通过严格且资源密集的筛查或在广泛的突变中进行筛选或选择的过程来优化蛋白质特性（即健身）。通过对序列属性进行计算机筛选，机器学习引导的定向进化（MLDE）可以加快优化过程并减轻实验工作量。在这项工作中，我们提出了一个通用的MLDE框架，在该框架中，我们应用了蛋白质表示学习和蛋白质属性预测中深度学习的最新进步，以加速搜索和优化过程。特别是我们引入了一条优化管道，该管道利用大型语言模型（LLMS）来查明序列中的突变热点，然后建议替换以提高整体适应性。与其他最先进的基线算法相比，我们提出的框架在条件蛋白质产生中的效率和功效提高了。我们希望这项工作将不仅对蛋白质工程，而且对使用数据驱动方法解决组合问题进行新的启示。我们的实施可在https://github.com/ hysonlab/directed Evolution上公开获取。
提高四级护理转诊中心外显子组测序的有效性：罕见神经遗传疾病中的新突变、临床表现和诊断挑战
摘要 背景 我们采用多模式方法，包括详细表型分析、全外显子组测序 (WES) 和候选基因过滤器，对三级神经病学中心转诊的个体进行罕见神经系统疾病诊断。方法 使用候选基因过滤器和严格的算法对 66 名患有神经遗传疾病的个体进行 WES，以评估序列变异。使用计算机预测工具、家族分离分析、先前的疾病关联出版物和相关生物学检测来解释致病或可能致病的错义变异。结果 39% (n=26) 的病例实现了分子诊断，其中包括 59% 的儿童期发病病例和 27% 的晚发型病例。总体而言，37% (10/27) 的肌病、41% (9/22) 的神经病变、22% (2/9) 的 MND 和 63% (5/8) 的复杂表型得到了基因诊断。已鉴定出 27 种与疾病相关的变异，包括 FBXO38、LAMA2、MFN2、MYH7、PNPLA6、SH3TC2 和 SPTLC1 中的 10 种新变异。单核苷酸变异 (n=10) 影响功能域内的保守残基和先前鉴定的突变热点。已确定的致病变异 (n=16) 表现出非典型特征，例如成人多聚葡聚糖体病的视神经病变、脑腱黄瘤病的面部畸形和骨骼异常、先天性肌无力综合征 10 的类固醇反应性虚弱。诊断出可能可治疗的罕见疾病，改善了部分患者的生活质量。结论 整合深度表型分析、基因过滤算法和生物检测提高了外显子组测序的诊断产量，发现了新的致病变异，并扩展了门诊环境中难以诊断的罕见神经遗传疾病的表型。
基于活动的 CRISPR 扫描揭示 DNA 甲基化维护机制中的变构效应 Kevin C. Ngan 1,2 , Samuel M. Hoenig 1 , Pallavi M. Gosavi
基于活动的 CRISPR 扫描揭示 DNA 甲基化维持机制中的变构 Kevin C. Ngan 1,2、Samuel M. Hoenig 1、Pallavi M. Gosavi 1,2、David A. Tanner 1、Nicholas Z. Lue 1,2、Emma M. Garcia 1,2、Ceejay Lee 1,2 和 Brian B. Liau 1,2 * 隶属关系：1 美国马萨诸塞州剑桥市化学与化学生物学系 2 美国马萨诸塞州剑桥市哈佛大学和麻省理工学院 Broad 研究所 02142 *通讯地址：liau@chemistry.harvard.edu 摘要 变构能够动态控制蛋白质功能。一个典型的例子是严格协调的 DNA 甲基化维持过程。尽管变构位点具有重要意义，但系统地识别变构位点仍然极具挑战性。在这里，我们使用基于活性的抑制剂地西他滨对必需的维持甲基化机制——DNMT1 及其伴侣 UHRF1——进行 CRISPR 扫描，以揭示调节 DNMT1 的变构机制。通过计算分析，我们确定了远离活性位点的 DNMT1 中假定的突变热点，这些热点包括跨越多域自抑制界面和未表征的 BAH2 域的突变。我们从生化角度将这些突变表征为增加 DNMT1 活性的功能获得突变。将我们的分析推断到 UHRF1，我们在多个域中辨别出假定的功能获得突变，包括跨自抑制 TTD-PBR 界面的关键残基。总的来说，我们的研究结果强调了基于活性的 CRISPR 扫描在提名候选变构位点方面的实用性，甚至超越了直接药物靶点。简介变构是一种基本特性，它使蛋白质能够将一个位点的刺激作用转化为调节另一个远端位点的功能。尽管进行了深入研究，但在不同的蛋白质靶标中识别变构位点仍然具有挑战性，并且高度依赖于上下文。与正构位点不同，变构位点在相关蛋白质之间的保守性通常较低，并且控制其结构特征和特性的原理尚不清楚。1,2 由于这些挑战，用于识别和表征变构位点的实验和计算方法较少。3 尽管如此，人们仍在努力开发小分子变构调节剂，因为与正构配体相比，变构位点的结构多样性具有更高的选择性、更低的毒性和蛋白质功能的微调潜力。1,2 因此，开发能够识别变构机制的新工具将进一步加深我们对蛋白质调控的理解并促进药物发现。同时利用药理学和遗传学扰动已广泛成功地用于靶标反卷积和阐明药物作用机制。4 特别是，识别出导致药物耐药性的突变可为靶向作用提供关键验证，并且通常可以阐明潜在的生物学原理。5 尽管许多耐药性突变发生在药物结合位点附近，但它们也可能出现在靶蛋白的远端位置。即使药物在正构位点内结合，这些远端突变也可以通过扰乱变构机制起作用。6–8 例如，对 ABL1 抑制剂（包括正构和变构抑制剂）的耐药性突变始终出现在药物结合位点之外，并通过破坏非活性构象或以其他方式中和 ABL1 自身抑制来驱动耐药性。8–12 此类