.png){kind=icon}
返回
Evolution‐Inspired Multi‐Objective Bayesian Optimization for Protein Engineering
.png){kind=icon}
PRE
AI
DOI：10.1002/anie.4133117.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
摘要
蛋白质工程需要在有限的评估预算下高效地探索广阔的序列空间，特别是在需要同时优化多个性质时。我们开发了进化启发的多目标贝叶斯优化（EvoMOBO）方法，这是一种主动学习框架，整合了路径依赖的序列生成、全局候选竞争和显式多目标优化，能够在不穷举库的情况下高效地优先选择高价值变体。在完整的类固醇受体DNA结合结构域（DBD）和ParD3抗毒素景观上与现有最佳方法比较，EvoMOBO在保持序列多样性的同时，在双目标和三目标任务中实现了更高的目标区域富集。在DBD景观中，基于模拟导出的几何描述符的优化富集了实验性能满意的变体，而无需实验标签。在此基础上，我们将EvoMOBO应用于两个酶工程任务，使用机理描述符，并将实验保留用于最终验证。对于来自
Geobacillus kaustophilus
的古老黄酶，底物结合概率和反应预组织指导了非天然氧化脱氢的优化，产生了一个变体，使底物转化率从17.5%提高到95%。对于来自
Aspergillus oryzae
的甲酸氧化酶，稳定性相关描述符识别出抗聚集变体，在光酶级联中几乎使邻苯二甲酸二乙酯的降解效率翻倍。这些结果共同证明了EvoMOBO稳健的多目标优化能力，并表明机理导出的描述符可以有效指导蛋白质工程实现实验性能的改进。
Keyword:
Protein Engineering
Multi-Objective Bayesian Optimization
Active Learning
Mechanistic Descriptors
