精确的热稳定性预测:利用机器学习来检查乳酸酶及其相关基因
Ashutosh Tiwari1, Dyah Ika Krisnawati2, Widodo3
1International Ph.D. Program in Biomedical Engineering, College of Biomedical Engineering, Taipei Medical University, Taipei 11031, Taiwan.
International journal of molecular sciences
|December 17, 2024
概括
机器学习模型,包括随机森林和卷积神经网络,被用来预测和提高laccases (多铜氧化酶) 的热稳定性. 这些计算方法增强了工业应用的酶工程.
科学领域:
- 生物技术是生物技术.
- 酵素工程是什么意思 酵素工程
- 计算生物学 计算生物学
背景情况:
- 乳酶是必不可少的多铜氧化酶,具有不同的生物和工业作用.
- 有限的热稳定性阻碍了酸盐的广泛工业应用.
- 酶工程对于克服稳定性限制至关重要.
研究的目的:
- 使用计算模型预测和增强乳酸的热稳定性.
- 通过机器学习识别酶稳定性的关键决定因素.
- 为了支持工程漆的更广泛的工业应用.
主要方法:
- 使用随机森林 (RF) 回归器进行初始化温度预测.
- 采用卷积神经网络 (CNN) 进行精细的预测和模式识别.
- 集成机器学习模型用于分析热稳定性指标的基因组序列.
主要成果:
- 射频模型实现了高训练精度 (93.01%),但需要优化测试/验证.
- 美国有线电视新闻网 (CNN) 模型在较低的小微企业 (MSEs) 中显示出更好的预测准确性.
- 确定了与增强的乳糖酶热稳定性相关的关键序列模式.
结论:
- 机器学习模型有效地预测并提供有关增强酶热稳定性的见解.
- 计算方法加速了工业生物技术的酶工程.
- 这项研究促进了工业过程中强大的乳酸的开发.
