人工智能預示著預測酶活性的新領域

牛津大學化學與工程科學系的研究人員發(fā)現(xiàn)了預測酶活性的一般方法。酶是蛋白質催化劑，其執(zhí)行生物學中的大多數(shù)關鍵功能。發(fā)表在自然化學生物學，研究人員的新型人工智能方法是基于酶的序列，以及篩選定義的基板的“訓練集”和正確的化學參數(shù)來定義它們。

酶是許多藥物的目標。如果科學家可以預測它們的功能，那么它們可以用小分子抑制這些功能- 在某些情況下可以治療疾病。這項研究對于創(chuàng)建一個能夠更全面，更全面地了解生物學和健康的整體圖像至關重要。

研究人員從一種植物物種中解決了整個酶系列。他們結合相應基因的酶的高通量表達，然后通過定量，無標記的質譜篩選它們的酶活性。對酶的一級序列的簡單分析沒有給出真實的活動預測模式，但是當與牛津大學機器學習小組的AI技術相結合時，標準化學描述符可以得到一個強大的預測系統(tǒng)。

牛津大學化學教授Ben Davis說：“關鍵在于，這種方法不僅僅是'黑匣子'，而是回應化學家/生物學家成功的預測，以及那些具有化學和生物學意義的預測的原因。反過來又讓我們弄清楚哪些酶可用于合成，預測來自不同物種(甚至細菌)的酶的活性，并根據(jù)我們不具備的建議，以新的方式設計酶預料到的。”

他補充說：“我們認為這是一個非常強大的發(fā)現(xiàn)引擎。它將為假設檢驗提供有趣的可能性。鑒于最近化學酶的試管發(fā)展的諾貝爾化學獎，AI應用于酶以增加理解可以證明成為一個非常強大的下一個前沿。“

牛津大學信息工程機器學習教授斯蒂芬羅伯茨說：“我們生活在一個大數(shù)據(jù)和大模型的時代，但不一定是大知識或洞察力。事實上，許多復雜，表現(xiàn)良好的模型的本質模糊成功的細節(jié)，導致“黑盒”解決方案缺乏現(xiàn)成的可解釋性。形成鮮明對比的是，科學方法將洞察力提取納入其核心。在這項研究中，我們已經(jīng)證明提供透明度和洞察力的模型仍然能夠推動科學進步。“

這一重大進展使成功的蛋白質催化劑活性預測成為可能，這對包括醫(yī)學研究在內的廣泛領域產(chǎn)生了影響。與模擬小型分子催化劑相比，這是一個更具挑戰(zhàn)性的領域，這種催化劑直到現(xiàn)在才成為機器學習/化學領域的頂峰。