整合机器学习与超高通量筛选以探索酶空间

生物催化剂空间的系统性导航受到难以捉摸的结构–活性规律以及缺乏进化历史的制约。本文提出了 IMUSE，这是一种将机器学习与超高通量筛选相结合的策略。通过筛选数百万个封装于液滴中的 de novo 酶，我们生成了大规模的合成序列–结构数据集，用于训练能够捕捉其复杂适应度景观和生物物理学原理的模型。这些模型能够有效引导在序列空间和新型结构空间中的功能探索。IMUSE 识别出具有协同效应的三重突变，使活性提高约 5 倍，并发现了具有新型催化口袋的有活性的第二代设计，将实验成功率提高了超过 4.9 倍（约 30%）。该工作表明，合成适应度景观如何弥合 de novo 酶空间中的数据鸿沟，将随机搜索转变为确定性导航，从而发掘超越天然边界的高效生物催化剂。

本网站正在使用一项安全服务来保护自身免受在线攻击。您刚刚执行的操作触发了该安全解决方案。可能导致此拦截的行为有多种，包括提交某些特定的单词或短语、SQL 命令或格式错误的数据。

您可以向网站所有者发送电子邮件，告知您被拦截的情况。请在邮件中说明该页面出现时您正在进行的操作，并附上本页面底部显示的 Cloudflare Ray ID。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.23.733994v1?rss=1

🏷️ 机器学习 超高通量筛选 de novo酶设计 酶工程 适应度景观