Предиктор активности нанозимов (DiZyme)

Ресурс открытого доступа для количественного прогнозирования каталитической активности нанозимов

#IT
#IT Soft

0% 25% 50% 75% 100%
 

Ресурс Dizyme содержит встроенную расширяемую базу данных нанозимов со ссылками на оригинальные статьи, интерактивный и кликабельный инструмент для его визуализации и модели машинного обучения для различных уровней запросов пользователей (базовый, прогрессивный и продвинутый), способные прогнозировать каталитическую активность, представленную в виде константы Михаэлиса-Ментена (Км, мм) с R2 0,63 и числа оборотов нанозима (Kcat, s-1) с R2 0,80.

Этот ресурс облегчит разработку и оптимизацию наноматериалов с требуемой каталитической активностью и откроет новые границы для разработки нанозимов.

Ссылка на ресурс: https://dizyme.net/

Активность нанозимов

Нанозимы определяются как “наноматериалы с ферментоподобными характеристиками”. Среди существующих в настоящее время нанозимов наиболее распространенными являются нанозимы с пероксидазной и оксидазной активностями. Начинают проявляться другие, более сложные активности гидролазы, каталазы, фосфатазы, лакказы и супероксиддисмутазы, но они гораздо менее представлены в литературе. Несколько наноматериалов могут обладать мультиферментативной активностью, которая обычно обусловлена одним механизмом реакции, пероксидаза, оксидаза и каталаза относятся к классу оксидоредуктаз, которые катализируют реакции окисления и восстановления. Благодаря высокой стабильности, длительному времени хранения и стабильности в различных условиях нанозимы широко используются в онкологической тераностике, защите окружающей среды, цитозащите, биосенсорике и других областях применения, и особое внимание уделяется способности регулировать каталитическую активность наноматериалов путем изменения их состава, формы, размера, кристаллической структуры, а также химии поверхности.

Каталитическая активность наноматериалов зависит от кинетики Михаэлиса-Ментена и стандартно оценивается по следующим кинетическим параметрам: константа Михаэлиса-Ментена (Км, мм) - концентрация субстрата, необходимая для достижения половины максимальной скорости фермента, константа скорости каталитического процесса (Kcat, с-1) - количество оборотов - количество молекул субстрата, которые каждый участок фермента преобразует в продукт в единицу времени, с учетом скорости реакции (Vmax, мм/с) и концентрации катализатора.

 

Дескрипторы

Мы рассчитали и выбрали основные параметры для прогнозирования каталитической активности нанозимов, описывающие состав как среднюю электроотрицательность, средний окислительно-восстановительный потенциал, среднюю плотность заряда; свойства материала как кристаллической системы; форму как размерность; размер как объем; условия синтеза как наличие/отсутствие нейтрального полимера и поверхностно-активного вещества; условия анализа как рН, температура, тип подложки, Н2О2, концентрации подложки и катализатора.

Категориальный параметр, представляющий собой кристаллическую систему, был закодирован следующим образом: 1 – триклинный, 2 – моноклинный, 3 – орторомбический, 4 – тетрагональный, 5 – тригональный, 6 – гексагональный, 7 – кубический.

Нанозимы были разделены в соответствии с размерностью параметра на три категории, где первая (1D) - наночастицы с одним из размеров >в 6 раз больше, чем у других, вторая (2D) категория - частицы, которые имели один из размеров >в 6 раз меньше, чем у других, остальные были отнесены к 3-му (3D) типу.

 

где axbyoz – химическая формула нанозима; n - количество некислородных элементов; X - Электроотрицательность по Полингу, эВ; MCD – средняя плотность заряда; R - ионный радиус с низким спином, пм; OS – состояние окисления; РЕДОКС – окислительно–восстановительный потенциал, В; x, y, z - стехиометрические коэффициенты; A и B указывают, что характеристика относится к некислородным элементам A и B соответственно. Поэтому были рассчитаны и выбраны необходимые параметры для прогнозирования каталитической активности нанозимов, описывающие элементный состав, физико-химические свойства материала, форму, размер, а также условия синтеза и анализа, чтобы всесторонне описать процессы, подлежащие прогнозированию.

Функции ресурса

Структура веб-ресурса:

● Открытая база данных существующих неорганических нанозимов с оригинальными ссылками на статьи и функциями сортировки и фильтрации;

● Интерактивный инструмент визуализации данных с функциями выбора параметров и масштабирования графика;

● Загрузка данных, если вы хотите добавить новый nanozyme на платформу.

● Прогнозирующий алгоритм для различных уровней запроса пользователя:

• Базовый уровень включает в себя начальный этап с каталитической активностью материала, пользователь вводит только формулу материала, а на выходе получается таблица с различными диапазонами Km и Kcat в соответствии со стандартизированным анализом активности, подобной пероксидазе, для различных размеров нанозима.

Прогрессивный уровень предполагает полное знание физических характеристик наноматериала, результатом которого является изменение целевых констант в зависимости от каждого из условий анализа.

Продвинутый уровень необходим исследователям, которые используют свою методологию для анализа активности пероксидазы целевого наноматериала, поэтому пользователю необходимо ввести все 13 параметров (формула, кристаллическая система, длина, ширина, глубина, нейтральный полимер, поверхностно-активное вещество, тип подложки, рН, температура, подложка, концентрация Н2О2 и катализатора) для прогнозирования Km и Kcat.

Алгоритм прогнозирования

Прогнозы активности пероксидазы, представленные в виде Km и Kcat, выполняются с помощью алгоритма регрессии случайного леса. Случайная лесная регрессионная модель ML для количественной оценки активности пероксидазы нанозима, достигающая производительности до R2 =0,80 для Kcat и R2 = 0,63 для Km.

Случайный лес - это алгоритм контролируемого обучения, который использует метод ансамблевого обучения для классификации и регрессии. Деревья в случайных лесах расположены параллельно. При построении деревьев между этими деревьями нет взаимодействия. Случайный лес - это метаоценка, он объединяет результат нескольких прогнозов.

Для расчета параметров модели ML платформа содержит алгоритмы, которые вычисляют дескрипторы, элементы из формулы и базу данных констант элементов.

в таблице показаны элементы, присутствующие в таблице констант