机器学习结合超高通量筛选探索酶空间

酶催化剂的系统探索受限于难以捉摸的结构-活性规则和缺乏进化历史。研究人员开发了IMUSE策略，将机器学习与超高通量筛选相结合。通过筛选数百万个液滴包裹的从头设计酶，他们生成了大量合成序列-结构数据集，用于训练捕捉复杂适应度景观和生物物理原理的模型。这些模型有效指导了跨序列和新结构空间的功能探索。IMUSE不仅识别出协同三重突变，使活性提升约5倍，还发现了具有全新结构的活性第二代设计。本研究为酶工程提供了高效导航工具。注：本文为预印本，尚未经同行评审。