机构名称：
¥ 3.0
碳捕获是从大气中去除二氧化碳（CO 2）的碳捕获，它引起了人们的注意，以减轻全球变暖的影响。植物和光营养微生物具有通过CO 2固定捕获碳以产生生物量的固有能力。然而，天然碳固定途径受到催化活性低的关键酶的限制，导致低能效率。Rubisco就是一种关键酶，以其表现不佳而臭名昭著。过去的研究未能通过常规方法来增强Rubisco的碳固定。生成建模已成为一种创新的酶工程方法，利用不同的神经网络体系结构来提出具有期望特征的新型变体。在这里，将在Rubisco序列空间训练的变异自动编码器（VAE）应用于Rubisco Engineering的挑战。训练了两种模型，并使用VAE的降低性降低特性，探索了Rubisco的健身景观。序列用催化相关的数据标记，并建立回归模型，目的是预测这些序列具有增强的催化活性。在对低维空间进行系统审查后，生成了新型Rubisco序列。这里使用生成建模提供了Rubisco工程的新观点。
通过生成建模增强Rubisco中的碳固定
主要关键词
相关文件推荐
