Gli enzimi svolgono un ruolo chiave nei processi metabolici cellulari. Per consentire la valutazione quantitativa di questi processi, i ricercatori devono conoscere il cosiddetto “numero di fatturato” (in breve: Kgatto) degli enzimi. Sulla rivista scientifica Comunicazioni Natura, un team di bioinformatici della Heinrich Heine University Düsseldorf (HHU) ora descrive uno strumento per prevedere questo parametro per vari enzimi utilizzando metodi di intelligenza artificiale.
Gli enzimi sono importanti biocatalizzatori in tutte le cellule viventi. Normalmente sono proteine di grandi dimensioni, che legano molecole più piccole – i cosiddetti substrati – e poi le convertono in altre molecole, i “prodotti”. Senza enzimi, la reazione che converte i substrati nei prodotti non potrebbe avvenire, o potrebbe farlo solo a una velocità molto bassa. La maggior parte degli organismi possiede migliaia di enzimi diversi. Gli enzimi hanno molte applicazioni in un’ampia gamma di processi biotecnologici e nella vita di tutti i giorni, dalla lievitazione dell’impasto del pane ai detergenti.
La velocità massima alla quale un enzima specifico può convertire i suoi substrati in prodotti è determinata dal cosiddetto numero di turnover Kgatto. È un parametro importante per la ricerca quantitativa sulle attività enzimatiche e svolge un ruolo chiave nella comprensione del metabolismo cellulare.
Tuttavia, è lungo e costoso da determinare Kgatto numeri di turnover negli esperimenti, motivo per cui non sono noti per la stragrande maggioranza delle reazioni. Il gruppo di ricerca sulla biologia cellulare computazionale dell’HHU guidato dal professor Martin Lercher ha ora sviluppato un nuovo strumento chiamato TurNuP per prevedere il Kgatto numeri di turnover degli enzimi utilizzando metodi di intelligenza artificiale.
Per addestrare A Kgatto modello di previsione, le informazioni sugli enzimi e le reazioni catalizzate sono state convertite in vettori numerici utilizzando modelli di deep learning. Questi vettori numerici sono serviti come input per un modello di apprendimento automatico, un cosiddetto modello di potenziamento del gradiente, che prevede il Kgatto numeri di fatturato
L’autore principale Alexander Kroll: “TurNuP supera i modelli precedenti e può persino essere utilizzato con successo per enzimi che hanno solo una bassa somiglianza con quelli nel set di dati di addestramento”. I modelli precedenti non sono stati in grado di fare previsioni significative a meno che almeno il 40% della sequenza enzimatica non sia identica ad almeno un enzima nel set di addestramento. Al contrario, TurNuP può già fare previsioni significative per enzimi con un’identità di sequenza massima di 0-40%.
Il professor Lercher aggiunge: “Nel nostro studio, dimostriamo che le previsioni fatte da TurNuP possono essere utilizzate per prevedere le concentrazioni di enzimi nelle cellule viventi in modo molto più accurato di quanto non sia stato finora”.
Al fine di rendere il modello di previsione facilmente accessibile al maggior numero possibile di utenti, il team HHU ha sviluppato un server Web di facile utilizzo, che altri ricercatori possono utilizzare per prevedere il Kgatto numero di turnover degli enzimi.
Collegamento al server Web: https://turnup.cs.hhu.de/
Contesto: Machine learning e deep learning
I modelli di deep learning comprendono reti neurali artificiali a più livelli in grado di riconoscere ed elaborare modelli nei dati di input. L’uso di set di dati di addestramento di grandi dimensioni è il modo ottimale per addestrare un modello di deep learning per elaborare gli input numerici.
I modelli di potenziamento del gradiente sono un metodo di apprendimento automatico, che produce un gran numero di alberi decisionali. I risultati di tutti gli alberi decisionali per un input specifico vengono utilizzati per fare previsioni. Analogamente al deep learning, i dati di addestramento vengono utilizzati per affinare il modello, ovvero per produrre gli alberi decisionali.
Da un’altra testata giornalistica. news de www.sciencedaily.com
