α-淀粉酶Amy7C及其突变体最适pH值的定量预测

【目的】pH值是影响酶催化效率的关键参数,通常需要通过实验方式才能确定生物酶的最适pH值,而该方式要消耗较多的人力、物力和时间。因此,有必要发展一种利用酶的简单结构信息即可预测其最适pH值的方法。【方法】以20-1前馈反向传播的神经网络为模型,完成535种氨基酸属性对α-淀粉酶pH值的拟合。同时,将α-淀粉酶Amy7C及其54个突变体的数据分为2组,用35个酶作为训练组进行拟合,20个酶作为验证组进行检验,并对不同层次及神经元个数的模型进行比较。【结果】109个氨基酸属性可实现20-1神经网络模型收敛,表明这些氨基酸属性可用于预测α-淀粉酶的最适pH值,但是不同氨基酸属性预测pH值的效果差别较大,只有部分指标预测pH值的效果较好。多模型的分析结果显示,不同模型对训练组R值的结果具有显著性差异,而对训练组P值、验证组R值和验证组P值结果无显著性差异。【结论】氨基酸分布概率等属性可用于预测α-淀粉酶的最适pH值。20-1神经网络模型是预测α-淀粉酶最适pH值相对理想的模型。

定量预测α-淀粉酶及其突变体的酶反应米氏常数(英文)

【目的】α-淀粉酶是一种重要淀粉水解酶,而Km值是酶反应中重要的参数,尝试建立一种利用α-淀粉酶初级结构定量预测米氏常数Km值的有效模型。【方法】通过神经网络模型,利用535种氨基酸属性定量预测α-淀粉酶Amy7C及其52个突变体反应的Km值,其中33个酶用于模型训练,其余的用于模型验证。首先用双层的20-1前馈反向传播的神经网络进行预测,然后对多层神经网络模型进行筛选。【结果】535种氨基酸属性中有109种属性可以用模型预测,其中动态属性拟合结果较好,4个动态氨基酸属性中有3个属性可以用于模型预测,但拟合结果最好的氨基酸属性分别来自氨基酸理化性质和二级结构。对9种拟合和验证结果最好的氨基酸属性进行7种多层神经网络模型拟合,结果显示增加模型的复杂度并不能提高预测结果的精准度,表明较为简单的模型,如20-1或20-5-1是定量预测建模的首选。【结论】α-淀粉酶酶解反应的米氏常数Km,可以利用某些氨基酸属性通过神经网络模型进行定量预测。为今后利用酶的初级结构定量预测酶反应中各参数最适条件提供思路。

a-淀粉酶Amy7C及其突变体催化常数的定量预测

【目的】利用α-淀粉酶Amy7c及其突变体的氨基酸信息,预测该酶的催化常数(Kcat),并筛选出能预测α-淀粉酶Kcat最具效果的氨基酸属性。【方法】先以20-1前馈反向传播的神经网络为模型,完成535种氨基酸属性对α-淀粉酶Amy7C及其突变体催化常数的拟合。再将α-淀粉酶Amy7C及其54个突变体的数据分为2组,用35个酶作为训练组进行拟合,20个酶作为验证组进行检验。最后,对8种不同层次及神经元个数的模型进行比较。【结果】110个氨基酸属性可实现20-1神经网络模型收敛,表明这些氨基酸属性可用于预测α-淀粉酶的催化常数,不同指标的预测效果不同。多模型的分析结果显示,不同模型对训练组R值的结果具有显著性差异,而对训练组P值、验证组R值和验证组P值结果无显著性差异。【结论】氨基酸分布概率等属性可以用于预测α-淀粉酶催化常数。四层神经网络模型是预测α-淀粉酶催化常数的相对理想的模型。