机构名称：
¥ 1.0
塑料污染提出了一个关键的环境挑战，需要创新和可持续的解决方案。在这种情况下，使用微生物和酶的生物降解提供了环保的替代方法。这项工作引入了AI驱动的框架 - 将机器学习（ML）和生成模型集成在一起，以加速塑料降解酶的散发和设计。通过利用预先训练的蛋白质语言模型和策划数据集，我们开发了七个基于ML的二进制分类模型，以识别针对特定塑料底物的酶，平均准确度为89％。该框架应用于从补充B中的6,000多个酶序列，以对靶向多种塑料（包括PET，PLA和尼龙）的酶进行分类。此外，还将这项工作中训练有素的分类模型结合在一起，用于从头产生宠物降解酶。结构生物信息学通过内部分析验证了潜在的候选物，突出了生成和经过实验验证的酶之间物理化学特性的差异。此外，生成的序列表现出较低的分子量和较高的脂肪族指数，这些序列可能会增强与疏水性塑料底物相互作用的特征。这些发现突出了酶发现中基于AI的方法的实用性，为解决塑料污染提供了可扩展有效的工具。未来的工作将着重于对有希望的候选人的实验验证，并进一步完善生成策略以优化酶促性能。
蛋白质语言模型加速了塑料降解酶的发现
主要关键词
相关文件推荐
