El aprendizaje automático identifica las características químicas que promueven la catálisis enzimática

Área de la Ciencia:

• Catálisis enzimática y ingeniería
• Biofísica computacional
• La bioquímica

Sus antecedentes:

• Las relaciones estructura-dinámica-función de las enzimas no se comprenden completamente.
• Las capacidades actuales de ingeniería de enzimas no satisfacen las demandas industriales.

Objetivo del estudio:

• Investigar los factores estructurales y dinámicos que impulsan la catálisis en la cetol-ácido reductorisomerasa (KARI).
• Identificar las conformaciones complejas enzima-sustrato que mejoran la reactividad.
• Desarrollar modelos predictivos para la cinética de las reacciones enzimáticas.

Principales métodos:

• Mecánica estadística computacional utilizando el muestreo de interfaz de transición.
• Aprendizaje automático para la selección de características y el modelado predictivo.
• Análisis de los descriptores conformacionales y dinámicos.

Principales resultados:

• Los descriptores conformacionales por sí solos predicen la reactividad con una precisión de > 85% (90% AUC).
• Los descriptores clave incluyen la conformación del sustrato, la polarización del enlace y la coordinación del metal.
• Restringir las trayectorias a regiones conformacionales específicas aumenta significativamente la reactividad calculada.

Conclusiones:

• Existen regiones que promueven la reactividad dentro del espacio conformacional de la enzima y el sustrato.
• Metodología desarrollada para identificar y validar estas regiones.
• La reingeniería enzimática para poblar estas regiones puede producir mejoras sustanciales en la tasa.