讨论使用机器学习加速定向进化我们结合 Rosetta 和机器学习引导的定向进化方法非常有效。每轮仅一轮后我们筛选了不到 2600 个变体但对传感器的亲和力、特异性和荧光响应进行了显着改进。再经过两轮机器学习引导的定向进化我们总共筛选了约 16000 个变体询问了 60 多个不同的蛋白质支架位置并在我们的最终传感器中引入了 19 个突变将其 5-HT 亲和力提高了 与起始支架 iAChSnFR06

该研究使用了Rosetta和机器学习相结合的方法来加速定向进化，成功地改进了传感器的亲和力、特异性和荧光响应。经过两轮机器学习引导的定向进化，筛选了约16,000个变体，其中最好的变体来自GLM预测的库。该方法可用于设计其他基于PBP的神经调节传感器，并且更广泛地用于解决其他具有挑战性的蛋白质工程任务。未来可以向模型添加更多生物物理参数，或使用更高级的ML模型，以提取错过的序列/函数关系，并将ML收集的见解纳入基于结构的计算蛋白质设计的生物物理潜在功能中。