Generated with sparks and insights from 3 sources

Introduction

• DLKcat工具箱是一个Matlab/Python软件包，用于预测酶的kcat值并生成酶约束的基因组规模代谢模型（ecGEMs）。

• DLKcat模型主要分为两个部分：DeeplearningApproach和BayesianApproach。

• DeeplearningApproach使用深度学习方法预测kcat值，输入为蛋白质序列和底物的SMILES结构或名称。

• BayesianApproach提供了一个基于贝叶斯方法的自动管道，用于使用预测的kcat值构建ecModels。

• DLKcat模型能够捕捉突变酶的kcat变化，并识别对kcat值有强烈影响的氨基酸残基。

• 该模型已被应用于预测300多种酵母物种的基因组规模kcat值。

• DLKcat模型的研究成果于2022年6月16日发布在《Nature Catalysis》上。

工具箱功能 [1]

• 预测kcat值：DLKcat工具箱可以高通量预测代谢酶的kcat值。

• 生成ecGEMs：工具箱能够生成酶约束的基因组规模代谢模型。

• 深度学习方法：DeeplearningApproach使用深度学习技术进行kcat预测。

• 贝叶斯方法：BayesianApproach提供了基于贝叶斯方法的自动化管道。

• 捕捉突变：DLKcat能够捕捉突变酶的kcat变化。

• 识别关键残基：模型可以识别对kcat值有显著影响的氨基酸残基。

使用方法 [2]

• 安装：建议使用Anaconda创建两个虚拟Python环境（3.7和2.7版本）。

• 数据预处理：在数据预处理阶段，文件所需的环境不同，需要灵活变换。

• 预测输入：输入为蛋白质序列和底物的SMILES结构或名称。

• 预测输出：输出为相应的kcat值。

• 示例文件：用户可以参考DeeplearningApproach/Code/example/input.tsv文件进行预测。

• 常见问题：在数据预处理过程中，可能需要挂VPN并控制访问时间间隔。

研究背景 [3]

• 酶周转数（kcat）：kcat是了解细胞代谢、蛋白质组分配和生理多样性的关键参数。

• 数据稀疏：实验测量的kcat数据往往稀疏且嘈杂。

• 高通量预测：DLKcat提供了一种高通量预测kcat的方法。

• 研究团队：查尔姆斯理工大学的研究团队开发了DLKcat模型。

• 发表日期：研究成果于2022年6月16日发布在《Nature Catalysis》上。

• 应用范围：DLKcat模型已被应用于预测300多种酵母物种的基因组规模kcat值。

应用实例 [3]

• 酵母物种：DLKcat模型已被应用于预测300多种酵母物种的基因组规模kcat值。

• 突变酶：DLKcat能够捕捉突变酶的kcat变化。

• 氨基酸残基：模型可以识别对kcat值有强烈影响的氨基酸残基。

• 表型预测：生成的ecGEMs在预测表型和蛋白质组方面优于先前的模型。

• 蛋白质工程：DLKcat可以作为蛋白质工程工具箱的重要组成部分。

• 基因组挖掘：DLKcat的kcat预测工具可用于基因组挖掘和全基因组关联研究分析。

常见问题 [2]

• 环境配置：建议使用Anaconda创建两个虚拟Python环境（3.7和2.7版本）。

• 数据获取：在数据预处理过程中，可能需要挂VPN并控制访问时间间隔。

• 包报错：所有加载的包一定要与Python版本对应，避免报错。

• 数据清理：SABIO-RK的数据清理文件可以运行，但后续可能未用到。

• 批次下载：由于下载文件过大，运行过程中容易被网站拒绝，建议进行批次下载。

• 示例文件：用户可以参考DeeplearningApproach/Code/example/input.tsv文件进行预测。

<br><br>