相关实验视频

Updated: Jun 29, 2025

Modeling an Enzyme Active Site using Molecular Visualization Freeware

Modeling an Enzyme Active Site using Molecular Visualization Freeware

Published on: December 25, 2021

图KM:机器和深度学习用于K_M预测野生类型和突变酶

Xiao He¹, Ming Yan²

¹College of Biotechnology and Pharmaceutical Engineering, Nanjing Tech University, Nanjing, China.

BMC bioinformatics

|March 29, 2024

概括

预测酶动力学迈克利斯常数 (K_M) 是至关重要的. 一个新的深度学习模型,GraphKM,准确地预测K_M对于野生类型和突变酶,加速酶工程研究.

科学领域:

生物化学和分子生物学
计算生物学计算生物学
酵素工程是什么? 酶工程是什么

背景情况:

迈凯利斯常数 (K_M) 对于蛋白质工程,酶工程和合成生物学中的酶动力学至关重要.
实验性K_M的确定是费力和耗时的,需要预测模型.
目前用于K_M预测的机器和深度学习模型通常仅限于特定的酶类或野生类酶.

研究的目的:

开发一个新的深度学习框架,GraphKM,用于预测迈凯利斯常数 (K_M) 的值.
为了能够对野生类型和突变酶进行准确的K_M预测.
通过计算预测提高酶动力学研究的效率.

主要方法:

采用一个深度学习框架 (PaddlePaddle),集成图形神经网络 (GNN),完全连接的层和梯度增强.
用预训练的基于变压器的语言模型将酶基质作为分子图表和酶表示.
评估了各种GNN架构,包括GIN,GAT,GCN和GAT-GCN,以确定最佳性能.

主要成果:

图形KM模型,特别是基于GAT-GCN的变体,在K_M预测中表现出强的表现.
与使用独立数据集 (HXKm) 的现有K_M预测模型比较预测准确度.
开发的方法显示了预测K_M在更广泛的酶范围,包括突变的显著潜力.

结论:

GraphKM提供了一种强大而通用的深度学习方法,用于预测酶迈凯利斯常数.
这种方法可以通过减少实验负担来加速蛋白质工程,酶工程和合成生物学方面的研究.
这些发现突显了图形神经网络和变压器模型在酶动力学预测中的实用性.

关键词:

深度学习是一种深度学习.图表神经网络的神经网络迈凯利斯常数迈凯利斯常数神经网络的神经网络的神经网络树木的增长促进了树木的增长.

更多相关视频

Exploring Caspase Mutations and Post-Translational Modification by Molecular Modeling Approaches

Exploring Caspase Mutations and Post-Translational Modification by Molecular Modeling Approaches

Published on: October 13, 2022

In Vivo Functional Study of Disease-associated Rare Human Variants Using Drosophila

In Vivo Functional Study of Disease-associated Rare Human Variants Using Drosophila

Published on: August 20, 2019

相关概念视频

In-vitro Mutagenesis

In-vitro Mutagenesis

To learn more about the function of a gene, researchers can observe what happens when the gene is inactivated or “knocked out,” by creating genetically engineered knockout animals. Knockout mice have been particularly useful as models for human diseases such as cancer, Parkinson’s disease, and diabetes.