人工智能预测酶的工作速率

　　酶在细胞代谢过程中起着关键作用。为了能够对这些过程进行定量评估，研究人员需要知道酶的所谓“周转数”(简称:kcat)。一组生物信息学家现在描述了一种工具，可以使用人工智能方法预测各种酶的这个参数。

　　

酶在细胞代谢过程中起着关键作用。为了对这些过程进行定量评估，研究人员需要知道酶的所谓“周转数”(简称:kcat)。在科学杂志《自然通讯》上，来自塞尔多夫海因里希·海涅大学(HHU)的一组生物信息学家现在描述了一种使用人工智能方法预测各种酶参数的工具。          

酶是所有活细胞中重要的生物催化剂。它们通常是大的蛋白质，结合较小的分子——所谓的底物——然后将它们转化为其他分子，即“产物”。没有酶，将底物转化为产物的反应就不能发生，或者只能以极低的速率进行。大多数生物体拥有数千种不同的酶。酶在广泛的生物技术过程和日常生活中有许多应用-从面包面团的发酵到洗涤剂。

一种特定酶将底物转化为产物的最大速度是由所谓的周转数kcat决定的。它是酶活性定量研究的重要参数，在理解细胞代谢中起着关键作用。

然而，在实验中确定kcat周转率既耗时又昂贵，这就是为什么绝大多数反应都不知道kcat周转率的原因。由Martin Lercher教授领导的HHU计算细胞生物学研究小组现在开发了一种名为TurNuP的新工具，可以使用人工智能方法预测酶的kcat周转率。

为了训练kcat预测模型，使用深度学习模型将有关酶和催化反应的信息转换为数值向量。这些数值向量作为机器学习模型(所谓的梯度增强模型)的输入，该模型预测kcat周转率。

主要作者Alexander Kroll:“TurNuP优于以前的模型，甚至可以成功地用于与训练数据集中的酶只有低相似性的酶。”以前的模型不能做出任何有意义的预测，除非至少40%的酶序列与训练集中至少一种酶相同。相比之下，TurNuP已经可以对最大序列同一性为0 - 40%的酶做出有意义的预测。

勒彻教授补充说:“在我们的研究中，我们表明，TurNuP所做的预测可以用来预测活细胞中酶的浓度，比迄今为止的情况要准确得多。”

为了使尽可能多的用户能够方便地访问预测模型，HHU团队开发了一个用户友好的web服务器，其他研究人员可以使用它来预测酶的kcat周转率。

背景:机器学习和深度学习

深度学习模型包括多层人工神经网络，可以识别和处理输入数据中的模式。使用大型训练数据集是训练深度学习模型处理数值输入的最佳方法。

梯度增强模型是一种产生大量决策树的机器学习方法。针对特定输入的所有决策树的结果用于做出预测。与深度学习类似，训练数据用于改进模型，即生成决策树。

Journal Reference:

1. Alexander Kroll, Yvan Rousset, Xiao-Pan Hu, Nina A. Liebrand, Martin J. Lercher. Turnover number predictions for kinetically uncharacterized enzymes using machine and deep learning. Nature Communications, 2023; 14 (1) DOI: 10.1038/s41467-023-39840-4