ترجمه فارسی مقاله پیش‌بینی روشنایی avGFP و طراحی جهش مبتنی بر BERT و LLMها

چکیده

This study aims to utilize Transformer models and large language models (such as GPT and Claude) to predict the brightness of Aequorea victoria green fluorescent protein (avGFP) and design mutants with higher brightness. Considering the time and cost associated with traditional experimental screening methods, this study employs machine learning techniques to enhance research efficiency. We first read and preprocess a proprietary dataset containing approximately 140,000 protein sequences, including about 30,000 avGFP sequences. Subsequently, we constructed and trained a Transformer-based prediction model to screen and design new avGFP mutants that are expected to exhibit higher brightness. Our methodology consists of two primary stages: first, the construction of a scoring model using BERT, and second, the screening and generation of mutants using mutation site statistics and large language models. Through the analysis of predictive results, we designed and screened 10 new high-brightness avGFP sequences. This study not only demonstrates the potential of deep learning in protein design but also provides new perspectives and methodologies for future research by integrating prior knowledge from large language models.

چکیده به فارسی (ترجمه ماشینی)

این مطالعه با هدف استفاده از مدل های ترانسفورماتور و مدل های بزرگ زبان (مانند GPT و Claude) برای پیش بینی روشنایی پروتئین فلورسنت سبز Aequorea Victoria (AVGFP) و طراحی جهش یافته با روشنایی بالاتر است.با توجه به زمان و هزینه مرتبط با روشهای غربالگری تجربی سنتی ، این مطالعه از تکنیک های یادگیری ماشین برای تقویت کارایی تحقیق استفاده می کند.ما ابتدا یک مجموعه داده اختصاصی حاوی تقریباً 140،000 توالی پروتئینی ، از جمله حدود 30،000 توالی AVGFP را می خوانیم و از قبل پردازش می کنیم.پس از آن ، ما یک مدل پیش بینی مبتنی بر ترانسفورماتور را برای نمایش و طراحی جهش های جدید AVGFP که انتظار می رود روشنایی بالاتری داشته باشد ، ساختیم و آموزش دادیم.روش ما از دو مرحله اصلی تشکیل شده است: اول ، ساخت یک مدل امتیاز دهی با استفاده از برت ، و دوم ، غربالگری و تولید جهش یافته با استفاده از آمار سایت جهش و مدل های بزرگ زبان.از طریق تجزیه و تحلیل نتایج پیش بینی ، ما 10 توالی جدید AVGFP با درخشش بالا را طراحی و نمایش دادیم.این مطالعه نه تنها پتانسیل یادگیری عمیق در طراحی پروتئین را نشان می دهد بلکه با ادغام دانش قبلی از مدلهای بزرگ زبان ، دیدگاه ها و روشهای جدیدی را برای تحقیقات آینده ارائه می دهد.