机器学习优化酶/ZIF生物复合材料,提高封装效率和生物活性
Weibin Liang1, Sisi Zheng1, Ying Shu1
1School of Chemical and Biomolecular Engineering, The University of Sydney, Darlington, NSW 2008, Australia.
JACS Au
|August 30, 2024
概括
我们开发了一种机器学习 (ML) 辅助的策略,以优化酶/地质伊米达酸框架 (ZIF) 合成. 这种方法显著提高了酶的性能,加速了各种应用的生物催化剂的开发.
科学领域:
- 生物化学和材料科学 材料科学
- 酶不移动化酶不移动化
- 纳米技术纳米技术
背景情况:
- 在热性伊米达酸框架 (ZIFs) 中的酶固定对于生物催化非常重要.
- 优化合成以提高酶性能 (封装效率,保留活性,热稳定性) 仍然是一个挑战.
- 机器学习 (ML) 为复杂的优化问题提供了强大的工具.
研究的目的:
- 介绍第一个ML辅助设计策略,以优化酶/ZIF合成.
- 在ZIF中增强葡萄糖氧化酶 (GOx) 和胡卜过氧化酶 (HRP) 的性能.
- 建立一个工作流程,以加快酶/ZIF系统的开发.
主要方法:
- 使用了一种代的ML驱动的培训-设计-合成-测量工作流.
- 采用葡萄糖氧化酶 (GOx) 和胡卜过氧化酶 (HRP) 作为模型酶.
- 选择Zn(eIM) 2 (eIM = 2-乙烯胺酸盐) 作为优化模型ZIF.
主要成果:
- 发现了优化的GOx/ZIF (G151) 和HRP/ZIF (H150) 配方.
- 取得的整体绩效指数 (OPI) 值至少比基线研究高1.3倍.
- 使用随机森林模型确定了合成参数,结构和酶性能之间的关键关系.
结论:
- 机器学习辅助的设计策略有效地加速了酶/ZIF合成的优化.
- 这种方法为未来的酶固定化研究提供了宝贵的见解.
- 该战略对生物催化剂,药物输送和传感应用具有重大前景.
