Machine Learning in Enzyme Engineering

MAZURENKO, Stanislav, Zbyněk PROKOP a Jiří DAMBORSKÝ. Machine Learning in Enzyme Engineering. ACS Catalysis. Washington, D.C.: American Chemical Society, 2020, roč. 10, č. 2, s. 1210-1223. ISSN 2155-5435. Dostupné z: https://dx.doi.org/10.1021/acscatal.9b04321.

Základní údaje

Originální název

Machine Learning in Enzyme Engineering

Autoři

MAZURENKO, Stanislav (643 Rusko, garant, domácí), Zbyněk PROKOP (203 Česká republika, domácí) a Jiří DAMBORSKÝ (203 Česká republika, domácí)

Vydání

ACS Catalysis, Washington, D.C. American Chemical Society, 2020, 2155-5435

---

Další údaje

Jazyk

angličtina

Typ výsledku

Článek v odborném periodiku

Obor

10403 Physical chemistry

Stát vydavatele

Spojené státy

Utajení

není předmětem státního či obchodního tajemství

Odkazy

URL

Impakt faktor

Impact factor: 13.084

Kód RIV

RIV/00216224:14310/20:00114835

Organizační jednotka

Přírodovědecká fakulta

DOI

http://dx.doi.org/10.1021/acscatal.9b04321

UT WoS

000508466700025

Klíčová slova anglicky

artificial intelligence; enantioselectivity; function; mechanism; protein engineering; structure-function; solubility; stability

Štítky

rivok

Příznaky

Mezinárodní význam, Recenzováno

---

Anotace

V originále

Enzyme engineering plays a central role in developing efficient biocatalysts for biotechnology, biomedicine, and life sciences. Apart from classical rational design and directed evolution approaches, machine learning methods have been increasingly applied to find patterns in data that help predict protein structures, improve enzyme stability, solubility, and function, predict substrate specificity, and guide rational protein design. In this Perspective, we analyze the state of the art in databases and methods used for training and validating predictors in enzyme engineering. We discuss current limitations and challenges which the community is facing and recent advancements in experimental and theoretical methods that have the potential to address those challenges. We also present our view on possible future directions for developing the applications to the design of efficient biocatalysts.

---

Návaznosti

EF16_013/0001761, projekt VaV	Název: RECETOX RI
EF17_050/0008496, projekt VaV	Název: MSCAfellow@MUNI
LM2015047, projekt VaV	Název: Česká národní infrastruktura pro biologická data (Akronym: ELIXIR-CZ) Investor: Ministerstvo školství, mládeže a tělovýchovy ČR, Česká národní infrastruktura pro biologická data
LM2015051, projekt VaV	Název: Centrum pro výzkum toxických látek v prostředí (Akronym: RECETOX RI) Investor: Ministerstvo školství, mládeže a tělovýchovy ČR, Výzkumná infrastruktura RECETOX
LM2015055, projekt VaV	Název: Centrum pro systémovou biologii (Akronym: C4SYS) Investor: Ministerstvo školství, mládeže a tělovýchovy ČR, The national infrastructure C4SYS - Centre for Systems Biology
TN01000013, projekt VaV	Název: Personalizovaná medicína - diagnostika a terapie Investor: Technologická agentura ČR, Personalizovaná medicína - diagnostika a terapie
814418, interní kód MU	Název: Synthetic biology-guided engineering of Pseudomonas putida for biofluorination (Akronym: SinFonia) Investor: Evropská unie, Synthetic biology-guided engineering of Pseudomonas putida for biofluorination, Leadership in enabling and industrial technologies (LEIT) (Industrial Leadership)

Přiložené soubory

Mazurenko_Machine_Learning_2020.pdf

Vyhledat podobné dokumenty