- 7 次围观
生物催化通过利用酶卓越的效率和选择性，为化学合成中的紧迫挑战提供了可持续的解决方案。重要的是，酶能够容纳非天然底物，并介导超出其天然反应范畴的转化。通过利用这些“底物或反应广谱性”活动并借助定向进化（DE）对其进行优化，可以将酶工程化用于多种应用。然而，定向进化实验能否成功，取决于是否具备一个对目标功能表现出可检测水平的蛋白质起始模板。为了找到这一出发点，研究人员通常会筛选蛋白质变体文库以寻找新活性，但成功率通常较低。在本研究中，我们转而对目标“亲本”蛋白的活性位点进行了多样化设计，并应用机器学习生成具有指导性的、具广谱活性的蛋白质变体文库。具体而言，我们测试了26种不同的卡宾和氮烯转移反应，并采用主动学习辅助定向进化（ALDE）生成了经优化的球蛋白变体，使其在多种反应中均表现出较高活性。我们观察到，对于亲本酶所催化的每一种反应，ALDE预测文库中至少有一个成员在活性和选择性方面实现了提升。此外，这些文库中的变体还能够催化10种亲本球蛋白无法催化的反应中的5种。这些结果表明，监督式机器学习有助于指导构建高价值的酶文库，并拓展其催化范围。
frances{at}cheme.caltech.edu
摘要 信息/历史 指标 补充材料 预览 PDF
摘要 生物催化通过利用酶卓越的效率和选择性，为化学合成中的紧迫挑战提供了可持续的解决方案。重要的是，酶能够适应非天然底物，并介导其天然反应谱系之外的转化。通过利用这些“底物/反应多样性”活性并借助定向进化（DE）对其进行优化，可以将酶工程化用于多种应用。然而，定向进化项目的成功取决于是否能够获得一个表现出可检测水平目标功能的蛋白质起始模板。为了找到这样的起始点，研究人员通常会筛选蛋白质变体文库以寻找新活性，但成功率通常较低。在持有人为作者/资助方，其已授予 bioRxiv 永久展示该预印本的许可。 本文依据 CC-BY 4.0 国际许可协议 提供。
返回顶部 上一项 下一项
发布于 2026 年 7 月 24 日。 下载 PDF
补充材料 电子邮件 感谢您有兴趣传播 bioRxiv 上的这篇文章。 您的电子邮件 * 您的姓名 * 发送至 * 请输入多个地址，每行一个，或用逗号分隔。
您将要通过电子邮件发送以下内容 机器学习辅助进化广谱功能酶文库
邮件主题 （您的姓名）已从 bioRxiv 转发一个页面给您
邮件正文 （您的姓名）认为您可能希望查看 bioRxiv 网站上的此页面。
您的个人留言
验证码 此问题用于测试您是否为人工访问者，并防止自动化垃圾信息提交。
分享 机器学习辅助进化广谱功能酶文库
Ravi Lal ，Jason Yang ，Ziyan Zhang ，Frances H Arnold
bioRxiv 2026.07.23.740427； doi： https://doi.org/10.64898/2026.07.23.740427
分享本文： 复制
引文工具 机器学习辅助进化广谱功能酶文库
Ravi Lal ，Jason Yang ，Ziyan Zhang ，Frances H Arnold
bioRxiv 2026.07.23.740427； doi： https://doi.org/10.64898/2026.07.23.740427
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.07.23.740427v1?rss=1
🏷️ 机器学习 定向进化 酶工程 广谱催化 主动学习 蛋白质文库