没有酶，生物体将无法生存。正是这些生物催化剂促进了一系列的化学反应，产生了细胞的构建块。酶还广泛用于生物技术和我们的家庭，例如用于洗涤剂。
为了描述酶促进的代谢过程，科学家们参考了所谓的 Michaelis-Menten 方程。该方程描述了取决于底物浓度的酶促反应速率 - 底物在反应过程中转化为最终产物。该方程中的一个核心因素是“米氏常数”，它表征酶对其底物的亲和力。
在实验室中测量这个常数需要花费大量的时间和精力。因此，只有少数酶存在这些常数的实验估计值。HHU 计算细胞生物学研究所和斯德哥尔摩查尔姆斯理工大学的一组研究人员现在选择了一种不同的方法来使用 AI 从底物和酶的结构中预测米氏常数。
他们将基于深度学习方法的方法应用于从细菌到植物和人类的 47 种模式生物。由于这种方法需要训练数据，研究人员使用了来自近 10,000 种酶-底物组合的已知数据。他们使用未用于学习过程的 Michaelis 常数测试了结果。
Lercher 教授这样评价结果的质量：“使用独立的测试数据，我们能够证明该过程可以预测米氏常数，其准确度类似于来自不同实验室的实验值之间的差异。现在，计算机可以在几秒钟内估算出一个新的米氏常数，而无需进行实验。”
正如PLOS Biology杂志在随附的文章中所强调的那样，模型生物所有酶的 Michaelis 常数的突然可用性为代谢计算机建模开辟了新的途径。
标签：
免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！