罗格斯大学/普林斯顿AM：自动化合成+机器学习设计聚合物-蛋白质杂化物

聚合物-蛋白质杂化物是一种有趣的材料，可增强蛋白质在非天然环境中的稳定性，从而增强其在各种医学、商业和工业应用中的效用。其中，一种稳定策略包括设计合成随机共聚物，其组成与蛋白质表面协调，但合理的设计由于巨大的化学和组成空间而变得复杂。

为此，美国新泽西州立罗格斯大学Adam J. Gormley、普林斯顿大学Michael A. Webb等人开发了一个集成自动化聚合物化学和机器学习（ML）的强大设计框架，以有效地发现具有增强三种化学性质不同的酶的热稳定性的聚合物-蛋白质杂化物（PPH）。作者通过学习-设计-构建-测试循环进行迭代，以识别高性能PPH。其中，每次迭代包括4个步骤：

1）学习：训练酶特异性高斯过程回归（GPR）代理模型并根据共聚物特性预测PPH的保留酶活性（REA），

2）设计：使用主动和无监督的ML识别PPH的24种候选共聚物批次，

3）构建：通过光诱导电子/能量转移可逆加成-断裂链转移（PET-RAFT）聚合自动合成所提出的共聚物，

4）测试：将合成共聚物与酶混合以形成热应力PPH并评估其REA。然后，使用新获得的和现有的数据开始新的主动学习迭代。

图1. 本研究迭代过程概述

值得注意的是，ML引导的数据采集是针对每种酶有效定制的。此外，通过对已开发的替代ML模型的分析，作者确定了共聚物的特定化学特征，这些特征推动了每种酶的保留活性增加。成功的聚合物-蛋白质杂化设计的生物物理学特性表明，类似伴侣的结构再折叠辅助是一种可能的稳定机制。

这种PPHs的发现平台可向多个方向扩展：1）首先，该方法可扩展到其他蛋白质、共聚物化学/替代设计目标；

2）此外，由于共聚物化学品所跨越的广阔化学空间，该平台可扩展以适应同时追求多个设计目标；

3）收集的分析数据可与基于模拟的模型结合使用，以进一步阐明和验证分子水平的稳定性机制；

4）最后，该平台有可能从更小、更有针对性的实验选择开始发现高性能PPH。总之，该领域的见解有助于减少高通量材料发现工作所需的资源。

图2. 生物物理表征表明共聚物辅助再折叠

Machine Learning on a Robotic Platform for the Design of Polymer-Protein Hybrids, Advanced Materials 2022. DOI: 10.1002/adma.202201809

原创文章，作者：v-suan，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/10/047669af3f/

罗格斯大学/普林斯顿AM：自动化合成+机器学习设计聚合物-蛋白质杂化物

相关推荐

发表回复