Mining and rational design of psychrophilic catalases using metagenomics and deep learning models
Notice bibliographique
Résumé
A complete catalase-encoding gene, designated soiCat1, was obtained from soil samples via metagenomic sequencing, assembly, and gene prediction. soiCat1 showed 73% identity to a catalase-encoding gene of Mucilaginibacter rubeus strain P1, and the amino acid sequence of soiCAT1 showed 99% similarity to the catalase of a psychrophilic bacterium, Pedobacter cryoconitis. soiCAT1 was identified as a psychrophilic enzyme due to the low optimum temperature predicted by the deep learning model Preoptem, which was subsequently validated through analysis of enzymatic properties. Experimental results showed that soiCAT1 has a very narrow range of optimum temperature, with maximal specific activity occurring at the lowest test temperature (4 °C) and decreasing with increasing reaction temperature from 4 to 50 °C. To rationally design soiCAT1 with an improved temperature range, soiCAT1 was engineered through site-directed mutagenesis based on molecular evolution data analyzed through position-specific amino acid possibility calculation. Compared with the wild type, one mutant, soiCAT1S205K, exhibited an extended range of optimum temperature ranging from 4 to 20 °C. The strategies used in this study may shed light on the mining of genes of interest and rational design of desirable proteins. • Numerous putative catalases were mined from soil samples via metagenomics. • A complete sequence encoding a psychrophilic catalase was obtained. • A mutant psychrophilic catalase with an extended range of optimum temperature was engineered through site-directed mutagenesis.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».