图像:使用深度学习方法预测酶的米凯利斯常数的过程示意图。(图片:HHU /万字Mishra)
资料来源:HHU /纳粹党徽Mishra
没有酶，有机体就无法生存。正是这些生物催化剂促进了一系列的化学反应，产生了细胞的组成部分。酶也被广泛应用于生物技术和我们的家庭，例如，它们被用于洗涤剂。
为了描述酶促进的代谢过程，科学家们引用了米凯利斯-曼腾方程。这个方程式描述了酶促反应的速率，取决于底物的浓度——底物在反应过程中转化为最终产物。这个方程式的一个核心因素是“米歇里斯常数”，它代表了酶对底物的亲和性。
在实验室中测量这个常数需要花费大量的时间和精力。因此，实验估计的这些常数只存在于少数酶。来自HHU计算细胞生物学研究所和斯德哥尔摩查尔默斯科技大学的一组研究人员现在选择了一种不同的方法，利用人工智能从底物和酶的结构预测米凯利斯常数。
他们将基于深度学习方法的方法应用到47个生物模型上，包括细菌、植物和人类。由于这种方法需要训练数据，研究人员使用了来自近10,000种酶-底物组合的已知数据。他们使用米凯利斯常数来测试结果，而米凯利斯常数在学习过程中从未使用过。
Lercher教授这样评价结果的质量:“使用独立的测试数据，我们能够证明该过程可以预测米凯利斯常数，其准确性类似于不同实验室的实验值之间的差异。现在计算机可以在几秒钟内估计出一个新的蔑克里斯常数，而不需要做实验。”
《公共科学图书馆·生物学》杂志在一篇文章中强调指出，模型生物中所有酶的米凯利斯常数突然可用，为代谢计算机建模开辟了新的途径。
Alexander Kroll, Martin K. M. Engqvist, David Heckmann, Martin Lercher, Deep learning allows genome-scale prediction of Michaelis constants from structural features,pLOS Biology(2021).
DOI: 10.1371/journal.pbio.3001402