AlphaEnzyme 利用催化知识指导酶的发现与进化
Harnessing catalytic knowledge to guide enzyme discovery and evolution with AlphaEnzyme
研究团队提出酶基础模型 AlphaEnzyme,以与反应配对的酶结构表示为基础,可同时读出催化兼容性、动力学和突变响应。在时间切分基准上,其 top-1 催化剂检索成功率为 30.1%,最强基线为 17.2%;对与动力学训练集序列一致性不超过 40% 的酶,Michaelis 常数预测的排名相关性达到 0.64。
读者可对比 AlphaEnzyme 在时间切分基准上与最强基线的检索成功率差距,并了解从酶检索到突变优先级的前瞻验证路径。
预印本 · biorxiv · 10.64898/2026.11.04.764416
本站摘要基于收录版本 v1(2026-11-06),原始摘要与 AI 导读固定保留。
来源最近更新: · 来源 v2
为特定反应获取酶为进化提供了起点,但预测如何改进它仍然困难。这需要将进化信息与催化的结构和化学背景联系起来。在此我们提出 AlphaEnzyme,一个酶基础模型,它建立在酶与其反应配对的结构化表征之上,可从中同时读出催化兼容性、动力学和突变响应。在时间分离的基准测试中,AlphaEnzyme 的 top-1 催化剂检索成功率达到 30.1%,而最强基线为 17.2%。米氏常数预测在所比较的方法中取得最高的秩相关,在与动力学训练集一致性不超过 40% 的酶上达到 0.64。该模型还在 16 个候选的预算下富集了高适应度的 TrpB 变体,无需针对目标的适应度训练。在前瞻性的转氨酶工程中,多个优先排序的变体超越了亲本,最佳设计在基于裂解液的检测中使产物信号提升 30.4 倍,同时保持 (R) 选择性。总体而言,AlphaEnzyme 为选择起始酶以及优先排序序列改进提供了共同的分子基础。
来源:bioRxiv · biorxiv.org