采用机器学习方法精准预测蛋白冠上蛋白质相对丰度的模型框架

纳米颗粒的小尺寸与一些独特的性质有关，这些性质对包括医学在内的许多技术领域的发展产生了深远的影响。所研究的纳米颗粒足够小，几乎可以进入身体的所有区域，这导致了一种被称为纳米医学的新的医学方法的发展。进入生物体液后，纳米颗粒与一系列生物聚合物相互作用，包括与之结合的蛋白质，形成与纳米颗粒相关的"蛋白冠"。了解蛋白冠的组成对于评估它们在生物医学中的潜在应用至关重要。蛋白冠的组成反映了相对蛋白质丰度( RPA )，也就是蛋白质占冠中总蛋白质的比例，是描述蛋白冠的重要参数。

目前，大多数研究采用基于液相色谱-串联质谱( LC-MS / MS )的蛋白质组学技术对蛋白冠进行定性和定量表征。使用传统的实验技术进行蛋白质冠的组成分析是昂贵和耗时的。因此，人工智能已被用于建立预测模型，以快速表征蛋白质吸附行为和电晕形成。蛋白质冠的方法学和分析的标准化方案的实施可以产生许多基于多组学的数据集。这些数据集可以用于人工智能来预测不同纳米颗粒上蛋白冠的形成。

海南大学张子龙、崔菲菲团队和电子科技大学邹权团队使用机器学习开发了一种能够全面预测蛋白冠上多种蛋白质相对丰度的模型。