タンパク質言語モデル生成酵素配列は分子動力学シミュレーションで高い安定性を示す

Finenzymeは、酵素番号(EC番号)を条件として生物学的に妥当な酵素配列を生成する、条件付き転移学習を適用した。この研究では、生成された配列の中から特定のECカテゴリの機能特性を維持または強化する可能性が最も高いものを特定し、分子動力学(MD)シミュレーションで構造安定性を評価するインシリコ選択パイプラインをFinenzymeに組み込んだ。4つのECクラスにわたる236個のFinenzyme生成酵素のMDシミュレーション(合計59マイクロ秒)は、高い構造安定性を確認した。全酵素クラスで、モデルの74-95%がトラジェクトリ全体で安定した三次構造と正しい折り畳みを維持し、236個中195個(82.6%)が持続的な安定性を示した。このフレームワークは、条件付き事前学習済み言語モデルのファインチューニングと動的な構造評価を組み合わせることで、静的な配列ベースの予測を超え、生物医学および産業応用の両方にとって重要な酵素挙動の構造的および機能的側面に対処する。