Enzyme Kinetic Parameter Prediction via Catalytic Pocket-Augmented Machine Learning

催化作用 化学 人工智能 动能 计算机科学 生物系统 机器学习 酶 酶催化 热力学 材料科学 特征(语言学)
作者
Ding Luo,Huining Ji,Shuming Cheng,Kaiqi Wen,Xiaoyang Qu,Mingfeng Cao,Liang Hong,Binju Wang
出处
期刊:ACS Catalysis [American Chemical Society]
被引量:2
标识
DOI:10.1021/acscatal.6c03874
摘要

Predicting enzyme kinetic parameters is vital for enzyme engineering, yet modeling these relationships remains challenging due to catalytic complexity. While Large Language Model (LLM)-based methods perform well by encoding sequences, their accuracy is often limited by neglecting explicit substrate-binding interactions. Here, we present GraphKcat, a deep learning framework integrating 3D enzyme−substrate conformations for kinetic prediction. GraphKcat demonstrates strong predictive performance across multiple sequence-identity-based evaluation settings, outperforming existing models. Using GraphKcat, we identified an L-glutaminase and a raspberry zingerone synthase with significantly enhanced catalytic efficiencies. Model interpretation analyses and in silico mutation studies suggest that the model captures functionally relevant residue−substrate interactions and catalytic regions. Further molecular dynamics and electric field analyses indicate that these enhancements are associated with strengthened substrate binding and a more favorable electrostatic environment. Overall, our results suggest that GraphKcat captures biologically relevant structure−function relationships, providing a structure-informed framework for rational enzyme engineering and industrial biocatalysis.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
眼睛大的南风完成签到,获得积分10
刚刚
molihuakai的应助被FYhan采纳,获得10
刚刚
龙猫抱枕完成签到,获得积分10
刚刚
刚刚
wangyilong关注了科研通微信公众号
刚刚
1秒前
朝颜完成签到,获得积分10
1秒前
1秒前
吴新完成签到,获得积分10
1秒前
lalahei完成签到,获得积分0
1秒前
油米盐完成签到 ,获得积分10
1秒前
故意的芹菜完成签到,获得积分10
1秒前
1秒前
shinan完成签到,获得积分10
1秒前
2秒前
Carrey完成签到,获得积分10
2秒前
2秒前
T0Yu完成签到,获得积分10
2秒前
Lucas的应助被阿楠采纳,获得10
2秒前
2秒前
2秒前
Valeria发布了新的文献求助10
3秒前
充电宝的应助被Lemon采纳,获得10
3秒前
健忘的芷荷完成签到,获得积分10
3秒前
小瘦猴完成签到,获得积分10
3秒前
3秒前
科研通AI6.2的应助被米块采纳,获得10
3秒前
泷生完成签到,获得积分10
3秒前
zmang完成签到 ,获得积分10
3秒前
哈基米发布了新的文献求助10
3秒前
整齐的磬gsq完成签到,获得积分10
3秒前
3秒前
wwww发布了新的文献求助10
4秒前
Dobrzs完成签到,获得积分10
4秒前
一如果一发布了新的文献求助10
4秒前
Jasper的应助被xiaoyibabi采纳,获得10
4秒前
lyy66964193完成签到,获得积分10
4秒前
老迟到的百合完成签到,获得积分10
5秒前
xtz完成签到,获得积分10
5秒前
wm完成签到,获得积分10
5秒前
高分求助中
(应助此贴封号)【重要!!请各用户(尤其是新用户)详细阅读】【科研通的精品贴汇总】 10000
拉伸高分子熔体中缠结行为的模拟和小角中子散射研究 1500
The World Atlas of Wine 9th edition 1000
奈特基础组织学:配套组织病理学(第4版)(Netter's Essential Histology With Correlated Histopathology) 800
John McDowells Bildungstheorie 800
八旗制度の研究 600
Analyses de reconnaissances de dettes passées devant les échevins d'Ypres (1249-1291) 600
热门求助领域 (近24小时)
化学 材料科学 医学 生物 纳米技术 计算机科学 工程类 有机化学 化学工程 生物化学 物理 复合材料 内科学 催化作用 光电子学 人工智能 细胞生物学 无机化学 物理化学 数学
热门帖子
关注 科研通微信公众号,转发送积分 8159581
求助须知:如何正确求助?哪些是违规求助? 9555100
关于积分的说明 21724719
捐赠科研通 7749543
什么是DOI,文献DOI怎么找? 3427281
关于科研通互助平台的介绍 2552278
邀请新用户注册赠送积分活动 2471619