Cluster learning-assisted directed evolution.
Cluster learning-assisted directed evolution.
复制标题
DOI：
10.1038/s43588-021-00168-y
复制
发表时间：
2021-12
期刊：
影响因子：
--
通讯作者：
Wei, Guo-Wei
中科院分区：
文献类型：
--
作者：
Qiu, Yuchi;Hu, Jian;Wei, Guo-Wei
定向进化是蛋白质工程的一种策略，它优化了蛋白质的性质（即，适合度）通过昂贵且耗时的筛选或大突变序列空间的选择。机器学习辅助的定向进化（MLDE），在硅片上筛选序列属性，可以加速优化，减少实验负担。这项工作介绍了一个MLDE框架，集群学习辅助定向进化（CLADE），它结合了分层无监督聚类采样和监督学习来指导蛋白质工程。聚类采样选择性地挑选和筛选目标子空间中的变体，从而指导后续生成多样化的训练集。在最后一个阶段，通过监督学习模型进行准确的预测可以改善最终结果。通过在一个四位点组合文库中用5个相等的实验批次从160，000个序列中顺序筛选480个序列，CLADE在GB1和PhoQ数据集上分别达到了91.0%和34.0%的全局最大适应度命中率，比基于随机抽样的MLDE获得的18.6%和7.2%有所提高。
Directed evolution, a strategy for protein engineering, optimizes protein properties (i.e., fitness) by expensive and time-consuming screening or selection of large mutational sequence space. Machine learning-assisted directed evolution (MLDE), which screens sequence properties in silico, can accelerate the optimization and reduce the experimental burden. This work introduces a MLDE framework, cluster learning-assisted directed evolution (CLADE), that combines hierarchical unsupervised clustering sampling and supervised learning to guide protein engineering. The clustering sampling selectively picks and screens variants in targeted subspaces, which guides the subsequent generation of diverse training sets. In the last stage, accurate predictions via supervised learning models improve final outcomes. By sequentially screening 480 sequences out of 160,000 in a four-site combinatorial library with five equal experimental batches, CLADE achieves the global maximal fitness hit rate up to 91.0% and 34.0% for GB1 and PhoQ datasets, respectively, improved from 18.6% and 7.2% obtained by random-sampling-based MLDE.
登录
查看更多内容
影响因子：
4.3
作者：
Bedbrook CN;Yang KK;Rice AJ;Gradinaru V;Arnold FH
通讯作者：
Arnold FH
影响因子：
14.9
作者：
Kawashima, S;Ogata, H;Kanehisa, M
通讯作者：
Kanehisa, M
影响因子：
5.8
作者：
Khurana, Sameer;Rawi, Reda;Mall, Raghvendra
通讯作者：
Mall, Raghvendra
影响因子：
12.9
作者：
Mazurenko, Stanislav;Prokop, Zbynek;Damborsky, Jiri
通讯作者：
Damborsky, Jiri
用于协同进化序列分析的Evcouplings Python框架。
DOI：
10.1093/bioinformatics/bty862
发表时间：
2019-05-01
期刊：
Bioinformatics (Oxford, England)
影响因子：
--
作者：
Hopf TA;Green AG;Schubert B;Mersmann S;Schärfe CPI;Ingraham JB;Toth-Petroczy A;Brock K;Riesselman AJ;Palmedo P;Kang C;Sheridan R;Draizen EJ;Dallago C;Sander C;Marks DS
通讯作者：
Marks DS