基于多模态特征和深度学习网络的新型方法,用于解码嗅觉受体与分子的相互作用

《IEEE Transactions on Neural Networks and Learning Systems》:Novel Approach for Decoding Olfactory Receptors Interactions With Molecules Based on Multimodal Feature and Deep Learning Network

【字体: 大 中 小 】 时间:2026年04月09日 来源:IEEE Transactions on Neural Networks and Learning Systems 8.9

编辑推荐:

  分子-嗅觉受体互作预测与受体结构特征分析

  

摘要:

嗅觉传导过程始于气味分子与鼻腔内特定的嗅觉受体(ORs)结合。由于分子-受体关系的复杂性和非线性,识别气味分子与嗅觉受体之间的相互作用仍然是一个重大挑战。解决这一挑战对于深入理解人类嗅觉机制以及开发新型合成药物至关重要。主要难点在于气味分子与嗅觉受体之间错综复杂的相互作用:具有不同物理和化学性质的各种分子可以激活特定的受体,反之,单个受体也能够与多种不同的分子结合。在这项研究中,我们提出了一种利用多模态深度学习网络来预测分子-受体相互作用的新方法,以精确识别给定分子对应的特定嗅觉受体。我们的方法取得了显著进展,在新构建的数据集上评估时准确率达到95.1%。值得注意的是,与其它深度学习分类模型和现有的识别方法相比,该方法在性能指标上有了显著提升,并且能够在分子结构与嗅觉受体映射的不连续性面前表现出较强的鲁棒性。此外,我们还开发了一张空间分布图,以阐明不同嗅觉受体的结构复杂性,揭示了受体之间的聚类模式。我们的方法有助于更深入地理解分子与受体之间的相互作用机制,为受体反应的数字化奠定了基础。

引言

嗅觉是最基本的感觉模式之一,能够识别和区分数千种气味分子[1],在塑造人类感知方面发挥着关键作用。人类的嗅觉感知是由大约300-400种不同的嗅觉受体(ORs)[2]激活产生的,这些受体通过与所述气味分子的相互作用而被触发。气味分子与嗅觉受体之间的相互作用本质上是复杂且不连续的[3]。具体来说,结构相似的分子不一定能够结合到相同的受体上,而结构不同的分子也可能与相同的受体发生相互作用[4],[5],如图1所示。一个典型的例子是乙酮,它可以与OR8K3、OR2M7、OR10A6、OR10G3和OR10G9等嗅觉受体结合。然而,结构相似的分子并不一定共享相同的受体,一些相邻的受体在结构上也存在显著差异。

分子与嗅觉受体之间的复杂相互作用。(a) 乙酮,参考分子。结构相似的分子不一定结合到相同的嗅觉受体上。(b) 丙氧乙烷,参考分子。然而,结构不同的分子却可以结合到许多相同的嗅觉受体上,其中黑色和浅色分别表示相同的和不同的嗅觉受体。

相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号