机器学习技术在区分嗜冷与非嗜冷细菌 α/ω 水解酶中的应用：揭示关键氨基酸的冷适应机制及生物技术意义

《Biologia》：Machine learning techniques for differentiating psychrophilic and non-psychrophilic bacterial α/β hydrolase enzymes

为探究嗜冷酶适应低温的分子机制，研究人员从 UniProt 数据库获取 464 种嗜冷和 562 种非嗜冷细菌 α/ω 水解酶，运用决策树（DT）、随机森林（RF）等算法分析 10 个变量。结果显示 RF 算法分类准确率达 77%，苏氨酸和丝氨酸对嗜冷特性起关键作用，为生物技术研究提供了新视角。

　　嗜冷酶（Psychrophilic enzymes）是一类具有特殊性质的大分子，这些性质使其能够在低温下高效发挥催化活性。其中一个适应因素是活性位点的灵活性增加。嗜冷酶在食品生产、环境修复、制药、纺织和洗涤剂等领域具有重要的工业应用价值，因此备受关注。尽管人们对其兴趣日益浓厚，但嗜冷酶适应低温的分子机制在很大程度上仍未得到探索。本研究旨在调查嗜冷和非嗜冷细菌 α/ω 水解酶（α/ω hydrolase enzymes）之间的差异。研究人员从 UniProt 数据库中检索到 464 种嗜冷和 562 种非嗜冷 α/ω 水解酶。利用决策树（Decision Tree，DT）、随机森林（Random Forest，RF）、极端梯度提升（eXtreme Gradient Boosting，XGBoost）和支持向量机（Support Vector Machine，SVM）等一系列机器学习算法，根据氨基酸组成对这些酶进行了进一步分类。研究分析了包括丙氨酸（Ala）、甘氨酸（Gly）、丝氨酸（Ser）、苏氨酸（Thr）、带电氨基酸、脂肪族氨基酸、芳香族氨基酸和疏水氨基酸的含量，以及脂肪族指数和平均亲水性（grand average of hydropathy，GRAVY）在内的 10 个变量。随机森林算法实现了最高的分类率，准确率达到 77%。进一步的分析表明，氨基酸苏氨酸和丝氨酸在决定嗜冷特性方面发挥了最重要的作用。这表明这些氨基酸在增强酶的氢键结合能力方面起着重要作用，从而有助于酶在寒冷条件下的结构灵活性和稳定性。本研究证实，一些氨基酸，尤其是丝氨酸和苏氨酸，通常参与嗜冷 α/ω 水解酶的冷适应过程，从生物技术的角度来看，这可能提供了一个有趣的研究平台。