2018年12月7日《自然-通讯》报道，德国杜塞尔多夫大学和美国加州大学的研究人员通过机器学习识别出了决定酶活性的重要特性，能够更清楚地描述酶的动力学，更精确地模拟代谢过程，并分析细胞网络中各种成分之间的相互作用。
合成生物学研发依赖于对生物细胞中复杂系统的详细和定量的理解。只有理解了这些系统，目标操作才能实现。而生物代谢系统往往非常复杂，涉及到几百种酶的相互作用。了解酶的催化转化率对于了解生物体的生长速率、蛋白质组分和生理学都是至关重要的，然而每一种酶的个体活性目前还无法定量分析，有关酶转化率的实验数据很少，而且噪音很大。
该研究证明机器学习可以根据酶生物化学、蛋白质结构和网络环境的综合数据成功预测大肠杆菌中的酶的催化转化效率。研究者发现了一组对体内和体外酶转化率具有一致预测作用的特征，揭示了催化转化率与蛋白结构之间的相关性。研究使用预测来参数化两个蛋白质组限制代谢模型框架，其定量蛋白质组数据预测的准确性显著高于以前的方法。研究者表示，所提出的机器学习模型为理解代谢和基因组规模的蛋白质组提供了一个有价值的工具，并阐明了构成酶动力学基础的结构、生化和网络特性。
吴晓燕 编译自https://phys.org/news/2018-12-metabolic-machine.html#jCp
原文链接：https://www.nature.com/articles/s41467-018-07652-6
原文标题：Machine learning applied to enzyme turnover numbers reveals protein structural correlates and improves metabolic models
