提高53倍!北化所/北师大,新发Nature子刊!
学术
2024-10-14 08:18
广东
生物催化是合成手性药物和精细化学品的一种有吸引力的方法,但评估和提高生物催化剂对目标底物的对映选择性通常需要耗费大量时间和资源。尽管机器学习(ML)已被用来揭示蛋白质序列和生物催化对映选择性之间的潜在关系,但底物适应度空间的建立通常被化学家忽视,且这仍然是一个挑战。基于此,2024年10月10日,中国科学院化学研究所敖宇飞副研究员、北京师范大学的陈雪波教授和申林教授在国际顶级期刊Nature Communications发表题为《Machine
learning-assisted amidase-catalytic enantioselectivity prediction and rational
design of variants for improving enantioselectivity》的研究论文。利用研究人员前期工作中收集的240个数据集,作者采用了化学和几何描述符,并构建了随机森林分类模型,用于预测酰胺酶对新底物的对映选择性。基于这些模型,作者进一步提出了启发式策略,通过该策略可以有效地进行合理的蛋白质工程来合成具有更高ee值的手性化合物,并且优化后的变体与野生型酰胺酶相比,E-值提高了53倍。这种数据驱动的方法有望拓宽机器学习在生物催化研究中的应用。图2:对底物1a-l的生物催化对映选择性的机器学习预测Li, ZL., Pei, S., Chen, Z.et al. Machine
learning-assisted amidase-catalytic enantioselectivity prediction and rational
design of variants for improving enantioselectivity. Nat. Commun. 15,
8778 (2024). https://doi.org/10.1038/s41467-024-53048-0.👉全面开放项目:同步辐射硬线/软线/高能/液体/原位/SAXS/GIWAXS/PDF/XRD/数据拟合!🏅 500+博士团队护航,助力20000+研究在Nature&Science正刊及子刊、Angew、AFM、JACS等顶级期刊发表!
微算云平台
做计算 找华算!电话:13129551561