生物資訊學
適配體是單鏈 DNA 或 RNA 分子，因其對靶分子具有高親和力和高特異性結合能力而被篩選出來，其性質類似於抗體。它們通常通過 SELEX 過程進行篩選，該過程包括將隨機序列文庫反覆暴露於靶標，並保留表現出良好結合特性的序列。為了改進萊姆病的檢測，我們提出設計能夠特異性結合伯氏疏螺旋體（Borrelia burgdorferi）表面 CspZ 蛋白的適配體，該細菌是引發該疾病的病原體。
從包含十三輪篩選的 SELEX 過程出發，已從中獲得若干體外篩選的候選序列，我們旨在提出一種整體性流程，在計算機模擬環境中篩選新的候選序列，並進一步通過實驗進行驗證。
我們的方法依賴於： 1）使用機器學習（ML）技術，特別是受限玻爾茲曼機（RBM），對 SELEX 過程的最後一輪進行數字化復現； 2）將文本分析方法中的見解，例如 word2vec 和 n-gram，整合到基於最終輪 SELEX 數據集訓練的 RBM 模型中，以表徵並比較新生成序列與體外候選序列； 3）篩選在計算機模擬中具有較強潛力與 CspZ 蛋白結合的序列； 4）對步驟 3 中篩選出的計算機模擬序列進行實驗驗證。
我們的整體性方法將生物學見解與統計模型相結合，以提高 SELEX 過程的效率和結果。我們通過整合序列的幾何表徵來增強用於復現最終 SELEX 輪次分佈的 RBM 模型，這在面對相對於巨大序列空間而言較為有限的數據集時尤其具有優勢。此外，該方法還能提供具有較強結合特性的計算機模擬候選序列。
📄 原文連結：https://www.biorxiv.org/content/10.64898/2026.05.13.724892v1?rss=1
🏷️ DNA適配體 SELEX篩選 萊姆病診斷 機器學習 伯氏疏螺旋體 CspZ蛋白