沒有酶，生物體將無法生存。正是這些生物催化劑促進了一系列的化學反應(yīng)，產(chǎn)生了細胞的構(gòu)建塊。酶還廣泛用于生物技術(shù)和我們的家庭，例如用于洗滌劑。
為了描述酶促進的代謝過程，科學家們參考了所謂的 Michaelis-Menten 方程。該方程描述了取決于底物濃度的酶促反應(yīng)速率 - 底物在反應(yīng)過程中轉(zhuǎn)化為最終產(chǎn)物。該方程中的一個核心因素是“米氏常數(shù)”，它表征酶對其底物的親和力。
在實驗室中測量這個常數(shù)需要花費大量的時間和精力。因此，只有少數(shù)酶存在這些常數(shù)的實驗估計值。HHU 計算細胞生物學研究所和斯德哥爾摩查爾姆斯理工大學的一組研究人員現(xiàn)在選擇了一種不同的方法來使用 AI 從底物和酶的結(jié)構(gòu)中預(yù)測米氏常數(shù)。
他們將基于深度學習方法的方法應(yīng)用于從細菌到植物和人類的 47 種模式生物。由于這種方法需要訓練數(shù)據(jù)，研究人員使用了來自近 10,000 種酶-底物組合的已知數(shù)據(jù)。他們使用未用于學習過程的 Michaelis 常數(shù)測試了結(jié)果。
Lercher 教授這樣評價結(jié)果的質(zhì)量：“使用獨立的測試數(shù)據(jù)，我們能夠證明該過程可以預(yù)測米氏常數(shù)，其準確度類似于來自不同實驗室的實驗值之間的差異?，F(xiàn)在，計算機可以在幾秒鐘內(nèi)估算出一個新的米氏常數(shù)，而無需進行實驗。”
正如PLOS Biology雜志在隨附的文章中所強調(diào)的那樣，模型生物所有酶的 Michaelis 常數(shù)的突然可用性為代謝計算機建模開辟了新的途徑。
標簽：
免責聲明：本文由用戶上傳，如有侵權(quán)請聯(lián)系刪除！