没有酶，有机体就无法生存。正是这些生物催化剂促进了一系列的化学反应，产生了细胞的基本组成部分。酶也被广泛应用于生物技术和我们的家庭，例如，它们被用于洗涤剂。
为了描述由酶促进的代谢过程，科学家们引用了所谓的米凯利斯-曼腾方程。该方程描述了酶促反应的速率取决于底物的浓度，底物在反应过程中转化为最终产物。这个方程的一个核心因素是“米切里斯常数”，它表征了酶对底物的亲和力。
在实验室中测量这个常数需要花费大量的时间和精力。因此，这些常数的实验估计只存在于少数的酶中。来自HHU计算细胞生物学研究所和斯德哥尔摩查尔姆斯理工大学的一组研究人员现在选择了一种不同的方法，利用人工智能从底物和酶的结构中预测米切里斯常数。
他们将这种基于深度学习方法的方法应用于从细菌到植物和人类的47种模型生物体。由于这种方法需要训练数据，研究人员使用了近10,000种酶-底物组合的已知数据。他们用没有用于学习过程的米凯利斯常数来测试结果。
Lercher教授在谈到结果的质量时说:“使用独立的测试数据，我们能够证明这个过程可以预测Michaelis常数，其准确性与不同实验室的实验值之间的差异相似。现在，计算机可以在几秒钟内估算出一个新的米凯利斯常数，而不需要进行实验。”
《公共科学图书馆·生物学》杂志在一篇附带文章中强调，模型生物中所有酶的米凯利斯常数的突然可用性为代谢计算机建模开辟了新途径。
最初的发布
Alexander Kroll, Martin K. M. Engqvist, David Heckmann, Martin Lercher，深度学习允许从结构特征中预测基因组规模的Michaelis常数，PLOS Biology(2021)。
DOI: 10.1371 / journal.pbio.3001402
