非モデル種のシグナル伝達ネットワーク推論のためのタンパク質の機能注釈

Molecular Biologyは、複雑な生物系における細胞反応と調節のダイナミクスを理解することを目的としています。しかし、これらの研究は、調節タンパク質の機能的注釈が不十分であるため、非モデル種では依然として困難です。この制限を克服するために、タンパク質配列からタンパク質機能を直接決定する多層ニューラルネットワークを開発します。グリシンmaxでキナーゼとホスファターゼに注釈を付けます。私たちは、ニューラルネットワーク、ベイジアン推論原理、高解像度のリンプロテオミクスからの機能的注釈を使用して、寒さにさらされた大豆のリン酸化シグナル伝達カスケードを推測し、Glyma.10G173000（TOI5）およびGLYMA.19G007300（TOT3）を特定します。重要なことに、シグナル伝達カスケード推論は、既知のキナーゼモチーフまたは相互作用データに依存せず、キナーゼ基質相互作用のde novo識別を可能にします。結論として、私たちのニューラルネットワークは一般化とスケーラビリティを示しているため、予測をOryza Sativa、Zea Mays、Sorghum Bicolor、およびTriticum aestivumに拡張します。まとめると、予測されたキナーゼとホスファターゼを活用する非モデル種のシグナル推論アプローチを開発します。

Molecular biology aims to understand cellular responses and regulatory dynamics in complex biological systems. However, these studies remain challenging in non-model species due to poor functional annotation of regulatory proteins. To overcome this limitation, we develop a multi-layer neural network that determines protein functionality directly from the protein sequence. We annotate kinases and phosphatases in Glycine max. We use the functional annotations from our neural network, Bayesian inference principles, and high resolution phosphoproteomics to infer phosphorylation signaling cascades in soybean exposed to cold, and identify Glyma.10G173000 (TOI5) and Glyma.19G007300 (TOT3) as key temperature regulators. Importantly, the signaling cascade inference does not rely upon known kinase motifs or interaction data, enabling de novo identification of kinase-substrate interactions. Conclusively, our neural network shows generalization and scalability, as such we extend our predictions to Oryza sativa, Zea mays, Sorghum bicolor, and Triticum aestivum. Taken together, we develop a signaling inference approach for non-model species leveraging our predicted kinases and phosphatases.