《表2 机器学习指导蛋白质设计应用》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《蛋白质工程：从定向进化到计算设计》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

目前尚未有任何一种普适的学习算法，可以应对所有的学习任务，在蛋白质设计改造领域亦是如此。因此，科研工作者需要在相应的情况下，通过测试比对等方式选用合适的算法进行设计[84]。常见算法包括线性模型（Linear models）、随机森林（Random forests）、支持向量机（Support vector machines）、高斯过程（Gaussian processes）等。以Frances H.Arnold团队近期改造一氧化氮双加氧酶（NOD）立体选择性的工作为例，先后通过K最近邻、线性模型、决策树、随机森林等多个算法构建NOD的立体选择性催化模型，将76%（S）-ee初始突变体提升至93%（S）-ee及反转至79%（R）-ee[85]。此外，表2列举了近十几年来机器学习指导蛋白质设计的应用实例，涉及蛋白质的热稳定性、催化活性、对映体选择性、光敏性及可溶性等多个方面。从中不难看出，机器学习的可应用性非常强，各常用算法均可覆盖某些蛋白质性能的改造。