中科院罗小舟团队提出 UniKP 框架，大模型 + 机器学习高精度预测酶动力学参数
💡
原文中文，约4100字，阅读约需10分钟。
📝
内容提要
中国科学院深圳先进技术研究院的罗小舟团队提出了基于酶动力学参数预测框架(UniKP)的研究，通过酶的氨基酸序列和底物的结构信息预测酶动力学参数。研究团队还提出了基于UniKP的双层框架EF-UniKP，可以更准确地预测酶动力学参数。研究结果已发表于Nature Communications，验证数据集证明了UniKP和EF-UniKP的准确性和稳健性。这项研究对酶促反应动力学的研究和应用具有重要意义。
🎯
关键要点
-
中国科学院深圳先进技术研究院的罗小舟团队提出了基于酶动力学参数预测框架UniKP。
-
UniKP框架通过酶的氨基酸序列和底物的结构信息预测多种酶动力学参数。
-
研究团队还提出了双层框架EF-UniKP，以提高预测的准确性。
-
研究结果已发表于Nature Communications，验证了UniKP和EF-UniKP的准确性和稳健性。
-
酶促反应动力学参数包括酶周转数kcat、米氏常数Km和催化效率kcat/Km。
-
目前酶动力学参数主要依赖湿实验测量，过程耗时且成本高。
-
UniKP框架由表示模块和机器学习模块组成，能够提高预测准确性。
-
研究团队使用了16种机器学习模型，发现随机森林和极端随机树表现最佳。
-
EF-UniKP在kcat预测任务中表现优于UniKP和Revised UniKP，R²值提高了20%。
-
罗小舟博士在合成生物技术领域有显著贡献，推动了学术界与产业的深度融合。
➡️
