生物資訊學
膜轉運是一項基本的生物學過程，對藥理學、生物技術和微生物學具有深遠影響。儘管計算方法在註釋轉運組時大多采用以蛋白質為中心的視角，但直接根據底物的內在屬性推斷其轉運功能仍然是一項重大挑戰。在化合物層面研究轉運，使得人們能夠系統評估分子是否經歷主動轉運及其所採用的機制，而無需依賴既有的轉運蛋白註釋。在此，我們提出 ChemProFlow，一個綜合性的計算框架，從以底物為中心的視角重新定義轉運分析。
通過整合幾何深度學習與基於直系同源關係的基因組映射，ChemProFlow 能夠預測分子的可轉運性，依據轉運蛋白分類數據庫分配轉運機制，並識別編碼相應轉運系統的微生物。我們表明，這一集成流程能夠實現底物—轉運蛋白—生物體關係的可擴展端到端映射，並在藥理學中用於預測藥物轉運、在生物技術中用於指導菌株工程設計、以及在微生物學中用於解析不同分類群中的底物利用方面具有廣泛應用。
通過捕捉決定可轉運性的化學因素，ChemProFlow 可推廣至此前未見的底物，併為在多樣化生物學背景下系統探索分子轉運提供了一個高通量框架。
作者聲明不存在競爭性利益。
感謝您有興趣幫助傳播 bioRxiv 的資訊。
注意：請求您的電子電郵地址僅用於將您識別為本文的發送者。
📄 原文連結：https://www.biorxiv.org/content/10.64898/2026.05.12.724480v1?rss=1
🏷️ 膜轉運 幾何深度學習 底物中心預測 轉運蛋白 微生物基因組映射 藥物轉運