新的机器学习方法能更好地识别蛋白质中的酶金属

堪萨斯大学(University of Kansas)开发的一种识别酶的机器学习模型——以酋长队(Chief)的四分卫帕特里克·马霍斯(Patrick Mahomes)的名字命名——可能会带来更有效、更环保、更便宜的药物疗法和其他工业产品。

　　

   

   

图片:乔安娜·斯鲁斯基，堪萨斯大学分子生物科学和计算生物学副教授，领导着一个实验室，机器学习提高了在蛋白质中识别酶和非酶金属的精度。

MAHOMES不是针对广泛的受体，而是区分蛋白质中的酶和非酶金属，准确率为92.2%。堪萨斯大学的一个团队最近在《自然通讯》上发表了关于这种区分酶的机器学习方法的结果。

通讯作者、堪萨斯大学分子生物科学和计算生物学副教授Joanna Slusky说:“酶是超级有趣的蛋白质，它能做所有的化学反应——酶在某物上进行化学反应，把它从一种东西转变成另一种东西。”“你带入身体的所有东西，你的身体都将其分解，并使其成为新的东西，而分解和制造新东西的过程——所有这一切都是由于酶。”

Slusky和她实验室的研究生合作者，Ryan Feehan (the Chiefs的粉丝，命名为MAHOMES)和堪萨斯大学计算生物学中心的Meghan Franklin，试图使用计算机来区分金属蛋白(不进行化学反应)和金属酶，以惊人的力量和效率促进化学反应。

问题是金属蛋白和金属酶在很多方面是相同的。

“人们并不确切知道酶是如何工作的，”Slusky说。“对于任何一种酶，你都可以说，‘好吧，你知道，它脱去这个氢，然后带上-OH基团，’或者随便什么。但如果我给你一种你从未见过的蛋白质，然后我问你，“哪一端是上的?”反应发生在哪一边?作为一名科学家，甚至作为一名酶学家，你可能都不会告诉我。现在，其中一个关键是大约40%的酶使用金属作为催化作用，所以它们的蛋白质与金属结合，然后任何被改变的物质进入活性位点并被改变。我们看到这些金属结合蛋白和金属酶，它们是结合金属的酶，对我们来说是一个巨大的机会，因为我的实验室对机器学习很感兴趣，可以很好地将酶位点与类似的但非酶位点区分开来。”

作为一名堪萨斯大学的本科生，联合首席作者Feehan开始汇编世界上最大的酶和非酶金属蛋白位点的结构数据集——这项工作一直延续到他作为研究生的职业生涯。然后，他在Github上向其他研究人员免费提供了这些数据集。

Slusky表示:“结构数据很难获得。“但如果你对物理和化学是什么感兴趣，那些原子在哪里，它们在这些关系中能做什么，你需要蛋白质结构。最难的部分是得到一堆酶位点的结构，知道它们是酶位点，然后得到一堆与金属结合的非酶位点——知道它们不是酶——然后从一个大型结构数据库中挖掘出来。”

Feehan找到了数千个独特的活性和非活性金属结合位点，然后测试了机器学习方法来区分这两个位点。为了实现这一目标，菲汉和富兰克林训练了一个计算机学习模型(MAHOMES)来检查蛋白质中的裂隙，并预测该裂隙是否会发生化学反应(意味着它是一种酶)。通过观察物理化学特征，MAHOMES在区分活性位点和非活性位点方面达到了92.2%的精确度和90.1%的召回率。

Slusky说，这种方法可能是使酶在生产救命药物疗法和许多其他工业过程中更有用的重要一步。事实上，堪萨斯大学团队开创的方法甚至可能彻底改变酶的设计方式。

“我希望它能在总体上改变合成，”她说。“我希望能有更便宜的药品，对环境造成更少的影响。现在，制药公司的合成有巨大的环境影响，如果我们能降低这些影响，那就太好了。但在每个行业中也有综合。如果你想制造油漆，油漆需要合成。所有东西都是由化学物质制成的，比如纺织品。你可以收获棉花，但最终，你要在出售棉花之前赋予它特殊的物质属性，而这需要化学品。我们用酶做的合成越多，公司用酶做合成就越容易，成本就越低，也就越环保。”

Slusky表示，机器学习研究将沿着三条线继续进行。

“首先，我们正在努力让机器学习方法发挥更好的作用，”她说。“第二，我们开始用它来设计酶。第三，我们想要这样做的酶不结合金属。40%的酶活性位点与金属结合。让我们也来做另外的60%——为另外60%找到正确的比较集是我实验室的另一个研究生正在做的一个项目。”

DOI

10.1038 / s41467 - 021 - 24070 - 3