郑良振/李伟峰/杨燕美《自然·通讯》：深度学习驱动的酶动力学参数预测模型CataPro助力高效酶挖掘与改造

本文介绍了上海智峪生科郑良振博士、山东大学李伟峰教授和山东师范大学杨燕美教授团队在《Nature Communications》上发表的研究，提出了一个名为CataPro的深度学习模型，用于预测酶动力学参数。该模型基于预训练模型和分子指纹，提高了对酶的周转数（kcat）、米氏常数（Km）以及催化效率（kcat/Km）的预测精度。研究背景强调了酶在工业生产中的重要性以及传统酶挖掘和改造方法的局限性。研究目的是通过深度学习技术提高酶动力学参数的预测准确性，从而助力高效酶挖掘与改造。研究结果表明，CataPro在酶挖掘和酶改造中具有显著的应用潜力，并通过实际案例（如香兰素的生物合成）验证了其有效性。此外，作者还展示了CataPro在酶突变体活性预测方面的应用，成功提高了酶的催化效率。尽管CataPro在预测准确性上仍有提升空间，但其为酶工程领域提供了新的工具和方法。