基于结构机器学习的单萜烯合酶产物类型预测方法

《Digital Discovery》：Pockets to products: A data-driven approach for classification of monoterpene synthasesOpen Access

　　

单萜烯合酶（mTSs）是一个庞大的酶家族，具有广阔的工业应用前景，但由于其序列-功能关系复杂且知之甚少，目前仍难以进行工程改造。在此，我们提出了一种基于结构的机器学习（ML）框架，能够准确预测某种mTS是更可能产生芳樟醇还是柠檬烯，二者分别作为线性单萜烯产物和环状单萜烯产物的典型代表。我们的方法识别了活性位点的性质，并将其用作机器学习特征，从而实现超越单纯序列信息的功能预测。由于残基定位对单萜烯合成至关重要，我们开发了一种算法来识别mTS活性位点中的结构保守残基，发现了既对一般催化反应至关重要、也对特定环化步骤至关重要的新型和已有基序。这一整合工作流程因此提供了此前无法获取的单萜烯合酶洞察，并可能为探测和改造其他理解不充分的酶家族提供一种可推广的策略。未来工作可将此方法应用于指导mTS及其他难以改造的酶家族的理性设计。

此内容仅可通过PDF获取。

打开 PDF ——《从口袋到产物：单萜烯合酶分类的数据驱动方法》在另一窗口中

? 2026 作者。由英国皇家化学学会出版

2026

作者

本文依据 知识共享署名4.0 国际许可协议 授权发布。您可以在其他出版物中使用本文材料，无需向英国皇家化学学会（RSC）另行申请许可，但需给出正确的致谢说明。

本作品依据 知识共享署名4.0 国际许可协议 授权。