相关实验视频
Updated: May 22, 2025
06:52
Kinetic Screening of Nuclease Activity using Nucleic Acid Probes
Published on: November 1, 2019
8.2K
通过机器学习和高通量选工程高活性核酶酶.
Neil Thomas1, David Belanger2, Chenling Xu3
1X, the Moonshot Factory, Mountain View, CA 94043, USA.
Cell systems
|March 13, 2025
概括
机器学习框架TeleProt通过超越定向进化来增强合成生物学的酶设计. 它有效地识别了多样化的,高活性核酶变体,用于降解慢性伤口生物膜.
科学领域:
- 合成生物学 合成生物学
- 蛋白质工程是一种蛋白质工程.
- 生物信息学是一种生物信息学.
背景情况:
- 对新环境的酶优化在合成生物学中至关重要.
- 挑战包括崎的健身景观和昂贵的实验.
- 核酶酶可以降解慢性伤口中的生物膜.
研究的目的:
- 开发一个机器学习 (ML) 框架,TeleProt,用于设计各种蛋白质库.
- 为了提高核酶酶的催化活性,用于生物膜降解.
- 为了克服传统的定向进化方法的局限性.
主要方法:
- TeleProt框架融合了进化和实验数据.
- 酶变体的高通量实验选.
- 应用于针对慢性伤口生物膜的核酶酶.
- 与定向进化 (DE) 的比较.
主要成果:
- 与DE相比,TeleProt发现了优越的最高性能酶.
- 在多样化,高活动的变体中实现了更高的命中率.
- 在没有先前数据的情况下成功设计了一个高性能初始库.
- 发布了55,000个核酶变体的广泛数据集.
结论:
- TeleProt为蛋白质设计提供了一种强大的ML引导方法.
- 它在酶优化效率和多样性方面超过了定向进化.
- 发布的数据集将推进ML驱动的酶工程.
