跳到正文
Angewandte Chemie International Edition· Kai Wen; Sirui Wang; Yixin Sun; Shiwen Li; Mengsong Wang; Haoyang Liu; Quanshun Li; Jingxuan Zhu·· 来源仅提供日期精选AI 评分63

受进化启发的 EvoMOBO 框架用于蛋白质工程多目标贝叶斯优化

Evolution‐Inspired Multi‐Objective Bayesian Optimization for Protein Engineering

AI 导读

研究提出 EvoMOBO,一种受进化启发的多目标贝叶斯优化主动学习框架,用于在有限评估预算下同时优化蛋白质的多个性质。在完整的类固醇受体 DNA 结合域(DBD)和 ParD3 抗毒素景观上,它相比现有方法获得更高的目标区域富集并保持序列多样性。两项酶工程任务把实验留作最终验证,机制描述符指导的优化将老黄酶底物转化率从 17.5% 提升到 95%,并使甲酸氧化酶的邻苯二甲酸二乙酯降解接近翻倍。

推荐理由

对比现有方法,EvoMOBO 在多目标蛋白优化中兼顾目标区域富集与序列多样性,并给出两项酶工程实验验证。

已发表论文 · journal · 10.1002/anie.4133117

本站摘要基于收录版本 v1(2026-11-08),原始摘要与 AI 导读固定保留。

IF(5) 16.7 · 2025 · 期刊参考指标

摘要 · AI 翻译

蛋白质工程需要在有限的评估预算下高效探索庞大的序列空间,尤其是在需要同时优化多个性质的情况下。我们开发了受进化启发的多目标贝叶斯优化(EvoMOBO),这是一个主动学习框架,集成了路径依赖的序列生成、全局候选竞争和显式多目标优化,能够在不穷举整个文库的情况下高效优先筛选出高价值变体。在完整的类固醇受体 DNA 结合结构域(DBD)和 ParD3 抗毒素景观上与最先进的方法相比,EvoMOBO 在两目标和三目标任务中实现了更高的目标区域富集,同时保持了序列多样性。在 DBD 景观中,由模拟衍生的几何描述符引导的优化富集了在没有实验标签的情况下具有令人满意的实验性能的变体。在此验证的基础上,我们使用机理描述符将 EvoMOBO 应用于两个酶工程任务,实验仅用于最终验证。对于来自 Geobacillus kaustophilus 的老黄酶,底物结合和反应预组织的概率引导了一种非天然氧化脱氢反应的优化,得到了一个将底物转化率从 17.5% 提高到 95% 的变体。对于来自 Aspergillus oryzae 的甲酸氧化酶,稳定性相关描述符鉴定出了抗聚集变体,使光酶级联中的邻苯二甲酸二乙酯降解几乎翻倍。这些结果共同证明了 EvoMOBO 强大的多目标优化能力,并表明源自机理的描述符可以有效地引导蛋白质工程实现经实验验证的功能改进。

来源:Angewandte Chemie International Edition · doi.org