机器之心数据服务现已上线，提供高效稳定的数据获取，简化数据爬取流程。
华盛顿大学研究团队利用人工智能RFdiffusion和深度学习网络PLACER，从头设计出高效丝氨酸水解酶，催化效率达到2.2x10^5 M^−1 s^−1。这一突破克服了传统设计的局限，标志着酶工程的重要进展，可能推动生物和工业应用的发展。
酶是重要的天然催化剂。斯坦福大学和西北大学的研究团队利用机器学习平台评估了1217种酶变体，成功提高了酰胺合成酶的活性，实验可在几天内完成，推动可持续生物制造的发展。
中山大学团队开发了GraphEC，这是一种基于几何图学习的酶功能预测技术。它利用ESMFold预测结构和预训练的蛋白质语言模型，从蛋白质结构中提取功能信息。GraphEC能有效预测酶的活性位点、EC编号和最佳pH值，表现优于现有方法，具有在合成生物学和基因组学中的应用潜力。未来可通过改进结构质量和结合大型语言模型提升预测能力。
本研究提出了一种新型生成模型EnzymeFlow，解决了传统方法无法有效捕捉酶与底物相互作用动态的问题。该模型结合流匹配和共进化原理，为特定底物和催化反应生成高质量的催化口袋，实验证明其在酶工程和合成生物学中的有效性。
酶工程和蛋白质工程是改进蛋白质产品的方法。传统湿实验方法耗时且有限，深度学习模型需要大量数据。行业需要一种不依赖湿实验数据的准确预测方法。目前的无监督预训练模型精度低且无法利用湿实验数据进行微调。
完成下面两步后，将自动完成登录并继续当前操作。
