XiaoMi-AI文件搜索系统
World File Search SystemEnzymes
抑制酶功能的毒药或药物的作用
氰化物是一种抑制呼吸的毒药。它是一种非竞争性抑制剂，这意味着它与远离活性部位的地方的酶结合，这会导致活性位点改变其形状，从而确保底物不再形成酶 - 肌层复合物。所讨论的酶是细胞色素氧化酶。该酶在细胞的线粒体内发现，当抑制时，氧气使用降低，抑制了ATP的产生（腺苷三磷酸腺苷，释放的能量培养基）。
使用 DEQSeq 大规模量化进化的 DNA 编辑酶
背景 定向进化将达尔文进化原理应用于实验室，以改良蛋白质特性 [ 1 , 2 ]。在多轮诱变和选择过程中，会产生大型基因变体文库（~ 10 5 – ~ 10 8 ）[ 3 – 5 ]。筛选文库以识别有效变体传统上是一个手动过程，耗费大量人力、资源和时间。此外，可供测试的变体数量有限，这降低了识别最佳变体的概率。希望有一种用于比较大量酶的高通量方法。事实上，已经开发了许多用于高通量筛选酶变体的应用程序。例如，CombiSEAL [ 6 ] 允许筛选确定的突变组合，但它不太适合分析进化产物。另一方面，Evoracle [ 4 ] 适合此目的，因为它使用多个进化周期的序列数据推断基因的适应度和序列组成。然而，它不能用于分析多个目标位点上的变异。evSeq [ 7 ] 是一种基于微孔板的方法，可以分别筛选变异表型，并分析基因
使用酶的化学合成的最新进展
生物催化剂赋予高区域和对映选择性酶特性，可以通过工程化蛋白质序列来调整工业应用。默克研究人员最近的工作解决了与-Ketoglutarate依赖性二氧酶（A -kGD）在制造量表上有关的挑战，包括较低的总周转次数（TTN），有氧反应条件，低稳定性，酶降低，酶灭活酶会因自我 - 羟基化和过度氧化的非氧化剂而灭绝。一个工程的-kGD用直接酶促羟基化取代了五个合成步骤，从而从1中使用1的1中产生手性中间体2，以高的映选择性和制备性产量（图2 a）[ *5]。与血红素依赖性的氧酶相比，A-kgd仅需要与-Ketogoglutarate组合铁，并且不需要复杂的共同因素或还原酶域的共表达。酶的高选择性还使它们能够针对特定的
自动驾驶的自动驾驶机器，以设计新型酶
一个人可以设计并自动化一个计算和实验平台，以便每个平台迭代指导并驱动另一个平台以实现预定的目标？Rapp及其同事（2024）在论文中仅描述了这种可能性，该论文详细介绍了一个自动驱动实验室的原型，该实验室可以自动导航，以产生具有所需属性的工程酶。这个实验室，而不是自动化协议，用缩写词来提及。这是指用于蛋白质景观探索的自动驾驶自动驾驶机器。本文描述了一个原型，涉及糖苷水解酶的工程，以增强热稳定性。“大脑”是该自动化系统背后的计算组件，旨在从策划的数据集学习蛋白质序列 - 功能关系。然后，通过一个全自动的机器人系统评估了这些设计蛋白，该蛋白可以合成并实验表征设计的蛋白质，并向代理（即计算成分）提供反馈，以填补其对系统的理解。因此，设计样品剂是通过在搜索过程中积极获取信息来不断地重新理解对蛋白质景观的理解。由于该智能代理从一个精心策划的，多样化的数据集中学习蛋白质序列 - 功能关系，因此根据更新的假设，这种反馈对于重新景观探索和新蛋白质的设计至关重要。在此原型中，将四个样品剂的任务承担了此目标。单个药物的搜索行为差异主要是由实验测量噪声引起的。这些药物的目标是导航糖苷水解酶景观，并以增强的热耐受性鉴定酶。然而，尽管他们的搜索行为有所不同，但所有四个代理都可以在热稳定糖苷水解酶上融合 - 这是显着的壮举，因为它显然不需要任何人类干预。为了启动迭代设计过程，Rapp及其同事用糖苷水解酶序列喂养样品，具有工程热耐受性的靶标。使用在可抑制和热固醇糖苷水解酶进行的实验中的非常最小的信息，以蛋白质耐受景观呈现样品（Romero and Arnold 2009）。蛋白质富度景观描述了从序列到类似于峰，山谷和山脊的陆地景观的映射，该目标是达到拟合度更高的自适应峰。至关重要的输入来自一个反馈周期，其中代理查询环境以收集信息，从而改善了内部对景观的看法。从这个意义上讲，蛋白质工程代理的任务是贝叶斯优化的任务，其中未知的目标函数与探索和开发之间的有效平衡（作者称为权衡）相息。样品以部署高斯工艺（GP）模型，以探索景观并提取可以描述序列水平上的可热稳定蛋白与中序蛋白有何不同的信息（Romero等2013）。使用贝叶斯优化（BO）技术，此信息启用了迭代设计蛋白质序列的样品。作者还设计了几种BO方法，以说明缺乏丰富的实验数据。这方面通常至关重要，因为人工工程/机器学习（AI/ML）工具需要一个大型，多样化的数据集有效。首先使用基于GP模型的分类器来识别功能序列，然后采用了上层信心结合算法来选择实验验证的顶级序列（Dauparas等人。2022）。使用预先合成的基因片段组装了新型工程酶，即设计的序列。该策略本身在合成生物学的高通量平台中很普遍。
PC1和PC2酶的差异对相关疾病的影响
摘要 本研究将分析PC1和PC2酶在肥胖和糖尿病中的不同作用和相互关系。两种酶在代谢过程中的底物特异性和功能存在明显差异。PC1主要参与胰岛素信号的负反馈调节，而PC2则可在脂肪细胞分化和能量代谢中发挥关键作用。基于此，PC1和PC2酶的调控将为相关代谢疾病的调控提供有效方案。此外，本研究将解释多巴胺和垂体分泌的激素如何作用于PC1和PC2酶的mRNA表达，从而影响胰岛素的分泌。抑制PC1活性可以改善胰岛素抵抗，从而缓解2型糖尿病的症状。相反，增强PC2活性可能有助于减少体内脂肪堆积和对抗肥胖。了解这两种酶之间的差异对于制定新的治疗策略具有重要意义。
机器学习和基础编辑酶的定向演变
（未通过同行评审认证）是作者/资助者。保留所有权利。未经许可就不允许重复使用。此预印本版的版权持有人于2024年5月17日发布。 https://doi.org/10.1101/2024.05.17.594556 doi：Biorxiv Preprint
蛋白质语言模型加速了塑料降解酶的发现
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。
酶作为合成有机化学催化剂的定向进化
选择性酶的进化。[1b] 最新的评论包含大量有关方法学开发的信息，发表于 2020 年。[1c] 我们对这项激动人心的事业的兴趣可以追溯到 20 世纪 90 年代中期，当时我的团队提出了一种全新的不对称催化方法，即定向进化立体选择性酶作为合成有机化学和生物技术中的催化剂。[1,2] 考虑到手性药物、天然产物、植物保护剂和香料的社会价值，我们认为“试管中的进化”可以与开发用于不对称转化的手性人造合成催化剂相辅相成。如果成功，这将为在温和且环保的条件下进行多种不同的不对称转化提供丰富且取之不尽的新型催化剂来源。
蛋氨酸代谢酶的基因检测，包括MTHFR
甲基肾上腺酸还原酶（MTHFR），蛋氨酸合酶（MTR），蛋氨酸合酶还原酶（MTRR），钴胺素还原酶（MMADHC）（MMADHC）和胱硫醇β-合成酶（CBS）是提供指导的基因在将氨基酸同型半胱氨酸（HCY）转换为蛋氨酸方面发挥作用。当存在基因的异常拷贝时，它们可能导致酶功能降低，导致同型半胱氨酸水平升高。血液中异常高水平的HCY与几种慢性疾病有关，例如注意力缺陷/多动症（ADHD），心血管疾病，癫痫，头痛，胃肠道症状和状况，精神疾病，精神疾病，骨质疏松症和骨质疾病。
从清真角度生产酶和起动培养物
起始培养物是用于生产酸奶和奶酪等培养乳制品的微生物。乳酸开胃菜的主要功能是乳糖产生乳酸。起动培养物的其他功能可能包括以下内容： - 风味，香气生产和产品结构的改进 - 抑制不良生物