|
《Nat Commun》新刊:江南大学团队发布MPNN-DFM,多模块协同驱动蛋白质设计新维度!本文对《Nature Communications》发表的江南大学团队研究的iCASE策略进行系统性总结。该工作提出了一种基于等温压缩性与动态挤压指数的机器学习方法,通过分层模块化网络优化酶构象景观,成功破解了酶稳定性与活性的权衡难题。
酶工程长期挑战的破局:iCASE策略如何逆转稳定性-活性权衡 工业酶在复杂生产环境中常因稳定性不足与活性低下而受限,传统理性设计方法聚焦静态局部相互作用(如疏水作用、氢键),难以全局优化构象动态。iCASE策略通过整合等温压缩性(βT)与动态挤压指数(DSI),建立层次化模块网络(二级结构、超二级结构、结构域),实现酶构象景观的多维建模。该策略首次将酶进化轨迹与物理化学性质(如熔解温度Tm与βT的负相关性)直接关联,为定向进化提供新范式。
动态响应预测模型:机器学习如何捕获酶构象景观中的 epistasis 效应
多酶体系验证:iCASE在复杂结构酶中的稳定性-活性协同提升
工业应用拓展:从PET水解酶到转移酶的跨领域普适性
iCASE策略通过机器学习驱动的构象景观优化,实现了酶稳定性与活性的协同进化。其核心突破在于将动态物理化学参数(βT、DSI)与 epistasis 效应整合进预测模型,克服了传统单目标设计的局限。该工作不仅为工业酶理性设计提供了新工具,更揭示了酶进化中“构象-功能”关联的物理本质,标志着酶工程进入动态全景建模时代。 原文链接:https://doi.org/10.1038/s41467-025-55944-5 暂无评论 |





