活性提高42倍，ML引导的无细胞表达加速酶工程，登Nature子刊

golang学习网今天将给大家带来《活性提高42倍，ML引导的无细胞表达加速酶工程，登Nature子刊》，感兴趣的朋友请继续看下去吧！以下内容将会涉及到等等知识点，如果你是正在学习科技周边或者已经是大佬级别了，都非常欢迎也希望大家都能给我建议评论哈~希望能帮助到大家！

斯坦福大学和西北大学的研究人员开发了一种机器学习 (ML) 驱动平台，可显著加速酶工程。该平台整合了无细胞 DNA 组装、无细胞基因表达和功能分析，能够快速绘制蛋白质序列空间的适应度图谱，并优化酶的特性。

这项发表于《自然通讯》(Nature Communications) 的研究，利用该平台评估了1217种酶变体在10953个独特反应中的底物偏好性，成功设计出一种酰胺合成酶。研究人员利用这些数据构建了岭回归增强型 ML 模型，预测可合成9种小分子药物的酰胺合成酶变体，其活性比原始酶提高了1.6到42倍。

传统的酶工程依赖于定向进化，而这项新方法则利用计算技术，克服了快速构建数据集以探索巨大序列空间的挑战。该平台采用无细胞基因表达 (CFE) 系统，实现设计-构建-测试-学习 (DBTL) 工作流程的快速迭代。 它首先绘制单点突变酶变体的序列-功能关系，然后利用这些数据训练监督式岭回归 ML 模型，预测高活性高阶突变体。

图示：机器学习引导的无细胞酶工程平台。（来源：论文）

该平台将CFE和诱变方法与机器学习相结合，不仅加速了定向进化，还能实现发散进化，将通用酶转化为多种专用酶。研究人员将耐热海洋孢菌的McbA酶（一种ATP依赖性酰胺键合成酶）作为案例研究，成功将其转化为多种专用酶，显著提高了合成9种化合物的活性。

图示：McbA 的多样化可及化学空间表明它是一种能够合成多种高价值分子的生物催化剂。（来源：论文）

这项研究为酶工程提供了新的高效途径，有望在能源、材料和医药等领域带来变革性影响。虽然数据收集仍然是瓶颈，但该方法为未来酶设计提供了强大的工具，并有潜力用于开发可持续的生物制造工艺以及解决环境问题。

图示：快速生成序列适应度景观数据，用于 ML 引导的 McbA 定向进化。（来源：论文）

图示：机器学习引导的设计不同的酰胺合成酶，用于多种小分子药物的生物合成。（来源：论文）

到这里，我们也就讲完了《活性提高42倍，ML引导的无细胞表达加速酶工程，登Nature子刊》的内容了。个人认为，基础知识的学习和巩固，是为了更好的将其运用到项目中，欢迎关注golang学习网公众号，带你了解更多关于人工智能,AI,蛋白质,理论,酶的知识点！