DeltaCata用几何深度学习预测酶突变效应
热点事件持续更新
DeltaCata用几何深度学习预测酶突变效应
1 篇报道1 个报道来源14 小时前更新
先了解这件事
AI 综述
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），而非预测参数绝对值。团队通过语言模型辅助解析、人工核验的半自动流程，配对相同实验条件下测得的野生型与突变体动力学参数，构建了酶突变效应数据集。 作者称 DeltaCata 性能明显优于现有方法，对训练集中未出现的酶尤其如此；并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。团队将其用于改造甲基转移酶 sGmOMT2，在体外 icaritin 合成中催化效率最高提升 7.0 倍。
AI 根据报道生成 · 10 分钟前更新
最新进展11月5日 08:00
DeltaCata 用几何深度学习建模突变引起的酶动力学参数变化报道时间线
沿着报道，了解事件的不同侧面。
11月5日
- Nature Communications精选DeltaCata 用几何深度学习建模突变引起的酶动力学参数变化
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。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。