Nature Communications·· 14 小时前精选AI 评分72
DeltaCata 用几何深度学习建模突变引起的酶动力学参数变化
Effective enzyme engineering through modeling kinetic parameter changes upon mutations with geometric deep learning
AI 导读
研究团队开发了 DeltaCata，一种 Siamese 几何图神经网络，直接预测残基替换引起的酶动力学参数变化（Δk_cat 和 ΔK_m），而非预测参数的绝对值。为此，他们通过语言模型辅助解析结合人工核验的半自动流程，配对在相同实验条件下测得的野生型与突变体动力学参数，构建了高质量的酶突变效应数据集。DeltaCata 在性能上明显优于现有方法，对训练集中未出现的酶尤其如此；作者还用深度突变扫描数据集做了计算层面的有益突变筛选验证。最后将其用于甲基转移酶 sGmOMT2 的改造，在体外 icaritin 合成中催化效率最高提升 7.0 倍。
阅读原文
来源：Nature Communications · doi.org
推荐理由
作者构建突变效应数据集并直接建模动力学参数变化，为酶工程中的有益突变筛选提供可迁移思路。