Onderzoekers van de departementen Scheikunde en Ingenieurswetenschappen van de Universiteit van Oxford hebben een algemene manier gevonden om enzymactiviteit te voorspellen. Enzymen zijn de eiwitkatalysatoren die de meeste van de belangrijkste functies in de biologie vervullen. Gepubliceerd in Natuur Chemische Biologie , de nieuwe AI-aanpak van de onderzoekers is gebaseerd op de sequentie van het enzym, samen met de screening van een gedefinieerde 'trainingsset' van substraten en de juiste chemische parameters om ze te definiëren.

Enzymen zijn het doelwit van veel medicijnen. Als wetenschappers hun functies kunnen voorspellen, ze kunnen die functies vervolgens remmen met kleine moleculen - in sommige gevallen om ziekten te behandelen. Dit onderzoek zal van cruciaal belang zijn voor het creëren van een holistisch beeld dat een vollediger en vollediger begrip van biologie en gezondheid biedt.

De onderzoekers pakten een hele familie enzymen van één plantensoort aan. Ze combineerden high-throughput expressie van de enzymen van de overeenkomstige genen, vervolgens hun enzymatische activiteit gescreend door kwantitatieve, labelvrije massaspectroscopie. Eenvoudige analyse van de primaire sequentie van het enzym geeft geen echt patroon van activiteitsvoorspelling, maar in combinatie met AI-technieken van de Machine Learning Group van Oxford University, standaard chemische descriptoren kunnen een krachtig voorspellend systeem afleiden.

Ben Davis, Professor scheikunde aan de Universiteit van Oxford zegt:"Het belangrijkste is dat deze methode, in plaats van een 'zwarte doos' te zijn, succesvolle voorspellingen en redenen voor die voorspellingen teruggeeft aan de chemicus / bioloog die een chemische en biologische betekenis hebben. Dit heeft ons op zijn beurt in staat gesteld uit te zoeken welke enzymen kunnen worden gebruikt in synthese, de activiteit van enzymen van zeer verschillende soorten (zelfs bacteriën) te voorspellen en uit te werken hoe enzymen op een nieuwe manier kunnen worden gemanipuleerd op basis van suggesties die we niet hadden voorspeld."

Hij voegt eraan toe:"We zien dit als een zeer krachtige ontdekkingsmotor. Het zal intrigerende mogelijkheden in de mix gooien voor het testen van hypothesen. Gezien de recente scheikunde Nobelprijs voor de reageerbuis-evolutie van enzymen, AI toegepast op enzymen voor meer begrip kan een zeer krachtige volgende grens blijken te zijn."

Stefan Roberts, hoogleraar machine learning in information engineering aan de Universiteit van Oxford zegt:"We leven in een tijdperk van big data en grote modellen, maar niet per se van grote kennis of inzicht. Inderdaad, de aard van veel complexe, goed presterende modellen verdoezelen de details van succes, wat leidt tot 'black-box'-oplossingen die niet gemakkelijk te interpreteren zijn. In scherp contrast, de wetenschappelijke methode bouwt inzichtextractie in zijn kern. In dit onderzoek hebben we aangetoond dat modellen die transparantie en inzicht bieden nog steeds in staat zijn om wetenschappelijke vooruitgang te stimuleren."

Deze belangrijke vooruitgang maakt succesvolle voorspellingen van de activiteit van eiwitkatalysatoren mogelijk, die implicaties heeft op een groot aantal gebieden, waaronder medisch onderzoek. Het is een aanzienlijk uitdagender veld dan het modelleren van katalysatoren met kleine moleculen, wat tot nu toe het hoogtepunt was in machine learning/chemie.