💡
原文中文，约2300字，阅读约需6分钟。
📝
内容提要
研究团队提出了一种AI辅助的酶热稳定性工程策略，仅需两轮设计，成功获得50个组合突变体，稳定性设计成功率达100%。最佳突变体13M4的Tm提高10.19℃，半衰期增加655倍，催化活性保持不变，显著提升了蛋白质工程效率。
🎯
关键要点
- 研究团队提出了一种AI辅助的酶热稳定性工程策略，仅需两轮设计，成功获得50个组合突变体，稳定性设计成功率达100%。
- 最佳突变体13M4的Tm提高10.19℃，半衰期增加655倍，催化活性保持不变，显著提升了蛋白质工程效率。
- 通过少量高质量实验数据微调蛋白质语言模型，模型能够准确捕捉上位效应，提升高阶组合突变体的预测性能。
- 动态相关矩阵分析揭示了长程上位效应的机制，显示远距离突变之间的动力学相关性。
- 该策略大幅缩短了传统方法所需的进化轮次，强调了结合实验数据与AI模型的重要性，适用于多种关键酶分子的进化任务。
❓
延伸问答
这项研究提出了什么样的酶热稳定性工程策略？
研究团队提出了一种AI辅助的酶热稳定性工程策略，仅需两轮设计，成功获得50个组合突变体，稳定性设计成功率达100%。
最佳突变体13M4的性能提升如何？
最佳突变体13M4的Tm提高10.19℃，半衰期增加655倍，催化活性保持不变。
如何通过实验数据微调模型以提高预测性能？
通过少量高质量实验数据微调蛋白质语言模型，模型能够准确捕捉上位效应，提升高阶组合突变体的预测性能。
该研究如何缩短传统酶优化方法的时间？
该策略仅通过两轮设计，全面探索了组合序列空间中超26万种可能的突变体，大幅缩短了传统方法所需的进化轮次。
动态相关矩阵分析揭示了什么机制？
动态相关矩阵分析揭示了长程上位效应的机制，显示了远距离突变之间的动力学相关性。
该研究的成果可以应用于哪些领域？
该策略可以推广应用至多种关键酶分子的进化任务中，提升蛋白质工程效率。
➡️
