重磅！今日Nature：机器学习再下一城！

本研究针对生物催化应用中酶与底物匹配预测困难的瓶颈问题，开发了结合高通量实验与机器学习的双路径策略。研究团队构建了包含300多个野生型蛋白的α-酮戊二酸/Fe(II)依赖酶库，通过系统测试发现了215种新型生物催化反应，并整合形成BioCatSet1数据集。基于此训练梯度提升模型，开发出CATNIP预测工具，可双向预测底物-酶兼容性。该工具有效连接了化学空间与蛋白质序列空间，显著降低了生物催化应用风险，为有机合成提供了新的探索途径。