.png){kind=icon}
返回
Modeling Enzyme Temperature Stability from Sequence Segment Perspective
.png){kind=icon}
PRE
AI
DOI：10.1021/acs.jcim.5c01674.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
开发具有期望热特性的酶对于广泛的工业和研究应用至关重要，而确定温度稳定性是这一过程中的关键步骤。实验测定热参数工作量大、耗时长且成本高。此外，现有的计算方法常受限于数据可用性有限和不平衡分布问题。为应对这些挑战，我们引入了一个用于酶热稳定性模型开发和基准测试的精选温度稳定性数据集。利用该数据集，我们提出了Segment Transformer，一种新颖的深度学习框架，能够实现酶温度稳定性的高效准确预测。该模型分别达到均方根误差（RMSE）23.29、平均绝对误差（MAE）17.37、皮尔逊相关系数0.35和斯皮尔曼相关系数0.34的当前最优性能。这些结果强调了引入基于生物学观察的片段级表示的有效性，即蛋白质序列的不同区域对热行为贡献不均。为证明概念，我们将Segment Transformer应用于指导一种角质酶的工程改造。实验验证表明，通过仅17个突变且不损害催化功能，在热处理后相对活性提升了1.64倍。
查看更多机构