机器学习加速定向进化：提高传感器亲和力和特异性

本研究采用结合 Rosetta 和机器学习的定向进化方法，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，共筛选了约 16,000 个变体，其中来自 GLM 预测的库的变体表现最佳。研究结果表明，机器学习可以有效地指导蛋白质工程，并为后续研究提供有价值的指导。

该研究的主要发现包括：

• 机器学习引导的定向进化方法有效地提高了传感器的亲和力、特异性和荧光响应。
• GLM 模型是用于指导蛋白质工程的有效工具，即使对于小型训练数据集也能表现良好。
• 尽管每一轮的收益都在递减，但机器学习引导的方法仍有可能产生进一步的收益。

未来研究方向包括：

• 向模型添加更多生物物理参数。
• 使用更高级的 ML 模型，例如通用转换器、贝叶斯优化或神经网络。
• 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。

该研究方法对神经调节传感器设计以及更广泛的蛋白质工程任务具有重要意义。