牛津大学化学和工程科学系的研究人员发现了一种预测酶活性的通用方法
酶是蛋白质的催化剂，在生物学中执行大多数关键功能。
发表在自然化学生物学，研究人员的新型人工智能方法是基于酶的序列，以及筛选确定的底物“训练集”和正确的化学参数来定义它们。
酶是许多药物的靶点。如果科学家能够预测它们的功能，他们就可以用小分子抑制这些功能——在某些情况下可以治疗疾病。
这项研究对于创建一个全面的图景至关重要，它提供了对生物学和健康的更全面和更完整的理解。
研究人员从一种植物中研究了整个酶家族。他们结合来自相应基因的酶的高通量表达，然后用定量的、无标签的质谱法筛选它们的酶活性。
对酶的主要序列的简单分析并不能给出真正的活性预测模式，但当与牛津大学机器学习小组的人工智能技术相结合时，标准的化学描述符可以推导出一个强大的预测系统。
牛津大学化学教授本·戴维斯(Ben Davis)说:“关键在于，这种方法不是‘黑盒子’，而是为化学家/生物学家提供了成功的预测，以及这些预测具有化学和生物学意义的原因。”
“这反过来又使我们能够找出哪些酶可以用于合成，预测来自非常不同物种(甚至细菌)的酶的活性，并根据我们无法预测的建议，找出如何以一种新的方式设计酶。”
他补充道:“我们认为这是一个非常强大的发现引擎。它将为假设检验带来有趣的可能性。鉴于最近在酶的试管进化方面获得了诺贝尔化学奖，将人工智能应用于酶以增进理解可能会成为一个非常强大的下一个前沿领域。”
牛津大学信息工程机器学习教授Stephen Roberts说:“我们生活在一个大数据和大模型的时代，但不一定是大知识或大洞察力的时代。事实上，许多复杂的、表现良好的模型的本质掩盖了成功的细节，导致了缺乏现成可解释性的‘黑盒’解决方案。”
与此形成鲜明对比的是，科学方法将洞察提取构建到其核心。在这项研究中，我们已经证明，提供透明度和洞察力的模型仍然能够推动科学进步。”
这一重大进展使成功的蛋白质催化剂活性预测成为可能，这对包括医学研究在内的广泛领域都有影响。这是一个比小分子催化剂建模更具挑战性的领域，而小分子催化剂一直是机器学习/化学领域的巅峰。
