【机读机译|文献速递】ML｜基于机器学习指导的定向进化优化PET功能

原文：Protein Language Models in Directed Evolution
DOI: https://doi.org/10.1101/2024.08.20.608752
原文链接：https://www.biorxiv.org/content/10.1101/2024.08.20.608752v1.full

省流文稿：
这篇论文探讨了将机器学习应用于蛋白质工程的两种主要方法：全新蛋白质设计和引导的定向进化。研究的重点是利用机器学习模型指导蛋白质的定向进化，以提高蛋白质功能优化的效率。作者通过实验展示了如何使用零样本（zero-shot）和少样本（few-shot）的蛋白质语言模型来指导两轮定向进化，并通过模拟退火算法推荐出改良的酶变体，这些变体在72小时内的PET降解能力比野生型提高了1.62倍，超过了文献中通过传统方法优化的变体。
研究结果表明，基于少样本的机器学习模型在指导蛋白质工程中的表现优于传统方法和零样本模型，尤其是在优化与工业相关的表型时具有显著优势。研究还探讨了在机器学习指导的定向进化中使用进化背景信息的重要性，并证明了该方法能够高效地识别出比野生型更适应的蛋白质变体，为未来的蛋白质工程应用提供了有力支持。