 |
 |
 |
 |
 |
 |
 |
 |
 |
Новый инструмент искусственного интеллекта помогает подбирать ферменты к субстратам
ШАМПЕЙН, Иллинойс — Новый инструмент, основанный на искусственном интеллекте, может помочь исследователям определить, насколько хорошо фермент соответствует желаемой цели, помогая им найти наилучшую комбинацию фермента и субстрата для различных применений — от катализа до медицины и производства.Под руководством Хуэймина Чжао, профессора химической и биомолекулярной инженерии Университета Иллинойса в Урбане-Шампейне, исследователи разработали EZSpecificity, используя новые данные о паре фермент-субстрат и новый алгоритм машинного обучения. Они разместили этот инструмент в свободном доступе в Интернете и опубликовали свои результаты в журнале Nature.“Если мы хотим получить определенный продукт с использованием фермента, мы хотим использовать наилучшую комбинацию фермента и субстрата”, — сказал Чжао, который также является директором лаборатории NSF Molecule Maker Lab Institute и NSF iBioFoundry в Калифорнийском университете. “EZSpecificity — это искусственный интеллект модель, которая может проанализировать последовательность фермента и затем предсказать, какой субстрат лучше всего впишется в этот фермент. Это очень хорошо дополняет модель ЧИСТОГО искусственного интеллекта, которую мы разработали более двух лет назад для прогнозирования функции фермента на основе его последовательности”.
Ферменты — это крупные белки, которые катализируют молекулярные реакции. У них есть области, похожие на карманы, в которые помещаются молекулы-мишени, называемые субстратами. То, насколько хорошо фермент и субстрат соответствуют друг другу, называется специфичностью. Типичная аналогия взаимодействия фермента и субстрата — это замок и ключ: только правильный ключ откроет замок. Однако, по словам Чжао, функция фермента не так проста.
“Найти наилучшую комбинацию непросто, потому что карман не является статичным”, — сказал он. “Фермент на самом деле меняет конформацию, когда взаимодействует с субстратом. Это скорее индуцированная подгонка. А некоторые ферменты являются разнородными и могут катализировать различные типы реакций. Это затрудняет прогнозирование. Вот почему нам нужна модель машинного обучения и экспериментальные данные, которые действительно доказывают, какое сочетание будет работать лучше всего”.
Несмотря на то, что были внедрены другие модели специфичности ферментов, они ограничены в точности и в типах ферментативных реакций, которые они могут предсказать.Группа Чжао поняла, что для улучшения способности ИИ предсказывать специфику им необходимо улучшить и расширить набор данных, на основе которого строится модель машинного обучения. Они сотрудничали с группой, возглавляемой Дивакаром Шуклой, профессором химической и биомолекулярной инженерии Калифорнийского университета. Группа Шуклы провела исследования стыковки различных классов ферментов, чтобы создать обширную базу данных, содержащую информацию не только о последовательности и структуре ферментов, но и о том, как ферменты различных классов приспосабливаются к различным типам субстратов.“Эксперименты, которые показывают, как ферменты взаимодействуют со своими субстратами, часто бывают медленными и сложными, поэтому мы провели обширное моделирование стыковки, чтобы дополнить и расширить существующие экспериментальные данные”, — сказал Шукла. “Мы увеличили масштаб взаимодействия между ферментами и их субстратами на атомном уровне. Миллионы вычислений стыковки предоставили нам недостающую часть головоломки для создания высокоточного показателя специфичности фермента”.
Затем исследователи протестировали EZSpecificity совместно с ESP, ведущей на данный момент моделью, в четырех сценариях, разработанных для имитации реальных приложений. EZ-специфичность превзошла ESP во всех сценариях. Наконец, исследователи экспериментально подтвердили EZ-специфичность, изучив восемь ферментов-галогеназ, класс которых еще недостаточно изучен, но все чаще используется для производства биоактивных молекул, и 78 субстратов. EZSpecificity достигла точности в 91,7% при прогнозировании лучших пар, в то время как ESP показала точность только в 58,3%.“Я не могу сказать, что это работает для каждого фермента, но для определенных ферментов мы показали, что EZSpecificity действительно работает очень хорошо”, — сказал Чжао. “Мы хотим сделать этот инструмент доступным для других, поэтому разработали пользовательский интерфейс. Теперь исследователи могут ввести данные о субстрате и последовательности белка, а затем с помощью нашего инструмента предсказать, будет ли этот субстрат работать хорошо или нет”.
Далее исследователи планируют расширить свои инструменты искусственного интеллекта для анализа селективности фермента, которая указывает, имеет ли тот или иной фермент преимущество для определенного участка на субстрате, чтобы исключить ферменты, оказывающие нежелательное воздействие. Они также планируют продолжить уточнение специфичности EZZ с помощью дополнительных экспериментальных данных.
Национальный научный фонд США поддержал эту работу через Институт Molecule Maker Lab. Чжао также связан с Институтом геномной биологии имени Карла Р. Везе в Калифорнийском университете и Центром передовых разработок в области биоэнергетики и биопродуктов Министерства энергетики США.
Другие новости: