تعديل الجوانب الصغيرة للمحولين الشرطيين من أجل توليد أنزيمات ذات خصائص وظيفية محددة

نقدم Finenzyme، وهو نموذج لغة بروتين (PLM) يعتمد على استراتيجية تعلم متعددة الجوانب تستند إلى التعلم بالنقل من محول قائم على فك الترميز، والتعلم الشرطي باستخدام كلمات رئيسية وظيفية محددة، والتعديل الدقيق لنمذجة فئات مفوضة الأنزيمات (EC) المحددة. باستخدام Finenzyme، نستكشف الشروط التي تعزز فيها عمليات التعديل الدقيق التنبؤ وتوليد فئات EC، حيث تظهر تحسينًا بمقدار ضعفين في الارتباك في الفئات المحددة من EC مقارنةً بالنموذج العام. تظهر تجاربنا الموسعة أن التسلسلات الناتجة عن Finenzyme يمكن أن تختلف كثيرًا عن الطبيعية مع الاحتفاظ بهياكل ثلاثية مشابهة، ووظائف وحركيات كيميائية لنظائرها الطبيعية. والأهم من ذلك، أن التمثيلات المدمجة للأنزيمات الناتجة تشبه إلى حد بعيد تلك الخاصة بالطبيعية، مما يجعلها مناسبة للمهام اللاحقة. أخيرًا، نوضح كيف يمكن استخدام Finenzyme عمليًا لتوليد أنزيمات تتميز بوظائف محددة باستخدام التطور الموجه بواسطة الحاسوب، وهو إجراء تعديل دقيق لنموذج PLM بتكلفة حسابية منخفضة تعزز بشكل كبير وتساعد المهام الهندسية المستهدفة للأنزيمات.