通过深度学习分析分子动力学轨迹,通过计算预测 ω-转氨酶选择性
Carlos Ramírez-Palacios1, Siewert J Marrink1
1Molecular Dynamics, Groningen Biomolecular Sciences and Biotechnology Institute (GBB), University of Groningen, Nijenborgh 7, 9747 AG Groningen, The Netherlands.
QRB discovery
|August 2, 2023
概括
一种新的深度学习方法使用卷积神经网络预测酶酶选择性,改进了以前的计算协议. 这种方法精确地分类了反应性和非反应性反体,降低了计算成本,并有助于定义关键的酶反应标准.
科学领域:
- 计算化学是一种计算化学.
- 生物催化剂是一种生物催化剂.
- 机器学习在酶学中的应用.
背景情况:
- 以前的计算方法使用分子动力学 (MD) 模拟和手工制作的几何标准预测了酶选择性.
- 这些基于距离,角度和二面体的标准旨在确定酶反应的反应性结合姿势.
研究的目的:
- 开发一种深度学习方法来预测酶酶选择性,而不依赖于手工制作的标准.
- 使用卷积神经网络 (CNN) 重新分析现有的MD轨迹,以提高预测准确度和降低计算成本.
主要方法:
- 使用深度学习方法重新分析分子动力学 (MD) 轨迹.
- 卷积神经网络 (CNN) 的应用,用于对"反应性"和"非反应性"体进行二元分类.
主要成果:
- 在基于MD轨迹数据的基础上,CNN在分类反体方面取得了很高的准确性 (>0.90).
- 深度学习方法消除了对广泛采样和手工制作的标准的需求,大大降低了计算成本.
- 对CNN决策过程的分析为改进传统方法提供了见解,例如定义近攻击形态.
结论:
- 深度学习,特别是CNN,提供了一种有效和准确的方法来预测酶的酶选择活性.
- 这种新的方法简化了用于酶选择性预测的计算协议.
- 了解神经网络决策可以增强计算酶学几何标准的发展.
更多相关视频
09:47Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches
Published on: December 15, 2023
1.1K
08:49Incorporating Target Protein Structure Flexibility and Dynamics in Computational Drug Discovery Using Ensemble-Based Docking Analysis
Published on: June 20, 2025
340
