DeltaCata 用几何深度学习预测突变引起的酶动力学参数变化
Effective enzyme engineering through modeling kinetic parameter changes upon mutations with geometric deep learning
研究团队提出 DeltaCata,用孪生几何图神经网络直接预测突变引起的 Δkcat 与 ΔKm 变化。作者通过语言模型辅助解析与人工校验,构建配对野生型与突变体的高质量数据集,模型在未见酶上表现优于现有方法。在甲基转移酶 sGmOMT2 上,DeltaCata 将体外 icaritin 合成的催化效率最高提升 7.0 倍。
论文构建突变效应数据集并直接建模动力学参数变化,其筛选与酶改造验证为酶工程提供了一种可迁移方法。
已发表论文 · journal · 10.1038/s41467-026-79287-x
本站摘要基于收录版本 v1(2026-11-07),原始摘要与 AI 导读固定保留。
IF(5) 18.9 · 2025 · 期刊参考指标
量化突变引起的酶动力学参数变化对于加速酶的进化至关重要。目前的方法侧重于预测动力学参数的绝对值(周转数 kcat 和米氏常数 Km),但它们无法准确捕捉突变的影响。据我们所知,由于此类训练数据稀缺,尚无方法直接建模突变效应(Δkcat 和 ΔKm)。此外,这些方法尚未充分利用蛋白质的结构几何信息。在此,我们通过半自动流程——结合语言模型辅助解析与人工验证——将相同实验条件下测量的野生型与突变体动力学参数配对,建立了一个高质量的酶突变效应数据集。利用该数据集,我们开发了 DeltaCata,一种孪生几何图神经网络,可直接预测残基替换引起的动力学参数变化。DeltaCata 相比现有方法展现出显著的性能提升,尤其是在训练集中未见过的酶上。其有效性进一步通过使用深度突变扫描数据集进行计算机模拟的有益突变筛选实验得到验证。最后,我们将 DeltaCata 应用于甲基转移酶 sGmOMT2 的工程化改造,使体外 icaritin 合成的催化效率最高提升 7.0 倍。这些结果表明 DeltaCata 在工业酶工程中具有巨大潜力。预测突变如何影响酶的催化效率仍然充满挑战。在此,作者构建了一个基准数据集,并开发了 DeltaCata——一种预测酶动力学变化并指导酶工程的几何深度学习模型。
来源:Nature Communications · doi.org