Förra säsongen, Kansas City Chiefs quarterback Patrick Mahomes skrytte med en 66,3 procent passningsslutförande.

Men Mahomes imponerande stat bleknar jämfört med MAHOMES noggrannhet, eller metallaktivitet heuristisk för metalloprotein och enzymatiska platser, en maskininlärningsmodell utvecklad vid University of Kansas-och namngiven till quarterbackens ära-som kan leda till mer effektiva, miljövänliga och billigare läkemedelsbehandlingar och andra industriprodukter.

Istället för att rikta in breda mottagare, MAHOMES skiljer mellan enzymatiska och icke-enzymatiska metaller i proteiner med en precision på 92,2%. Ett team vid KU publicerade nyligen resultat om detta maskininlärningssätt för differentiering av enzymer i Naturkommunikation .

"Enzymer är superintressanta proteiner som gör all kemi - ett enzym gör en kemisk reaktion på något för att omvandla det från en sak till en annan, "sa motsvarande författare Joanna Slusky, docent i molekylär biovetenskap och beräkningsbiologi vid KU. "Allt du tar in i din kropp, din kropp bryter ner den och gör den till nya saker, och den processen med att bryta ner och göra nya saker - allt detta beror på enzymer. "

Slusky och doktorandstudenter i hennes labb, Ryan Feehan (Chiefs -fansen som namngav MAHOMES) och Meghan Franklin från KU:s Center for Computational Biology, försökte använda datorer för att skilja mellan metalloproteiner, som inte utför kemiska reaktioner, och metalloenzymer, som underlättar kemiska reaktioner med fantastisk kraft och effektivitet.

Problemet är metalloproteiner och metalloenzymer är på många sätt identiska.

"Folk vet inte exakt hur enzymer fungerar, "Slusky sa." För varje givet enzym kan du säga, "OK, du vet, det tar bort detta väte och sätter på -OH -gruppen, "eller vad det än gör. Men om jag gav dig ett protein som du aldrig hade sett förut och jag frågade, 'Vilket slut är slut? Vilken sida av detta gör reaktionen? ' du, som forskare och till och med som enzymolog, kunde nog inte berätta. Nu, en av nycklarna är cirka 40% av alla enzymer använder metaller för katalys - så deras protein binder en metall och sedan kommer allt som ändras in i den aktiva platsen och ändras. Vi ser detta dessa metallbindande proteiner och metalloenzymer, vilka är enzymer som är bindande metaller, som en enorm möjlighet för oss eftersom mitt labb är intresserat av maskininlärning som kan göra ett riktigt bra jobb på att skilja enzymplatser från liknande men icke -enzymatiska platser. "

Som KU -kandidat, medförfattare Feehan började sammanställa världens största strukturella dataset av enzymatiska och icke-enzymatiska metalloproteinplatser-arbete som fortsatte in i hans karriär som doktorand. Sedan, han gjorde datauppsättningen fritt tillgänglig för andra forskare på Github.

"Strukturella data är mycket svåra att få tag på, "Slusky sa." Men om du är intresserad av vad fysik och kemi är, och där dessa atomer är, och vad kan de göra inom dessa relationer, du behöver proteinstrukturer. Den svåra delen av detta var att få ett gäng strukturer av enzymplatser, att veta att de var enzymplatser, att sedan skaffa ett gäng nonenzymsajter som bindade metaller - och vet att de inte var enzymer - och gräver ut dem från en stor strukturell databas. "

Feehan kunde hitta tusentals unika aktiva och inaktiva metallbindningsplatser, testade sedan maskininlärningsmetoder för att skilja mellan de två. För att åstadkomma detta, Feehan och Franklin utbildade en datorinlärningsmodell (MAHOMES) för att undersöka en klyfta i ett protein och förutsäga om den klyftan skulle kunna göra kemi (vilket betyder att det var ett enzym). Genom att titta på fysikalisk -kemiska egenskaper, MAHOMES uppnådde 92,2% precision och 90,1% återkallelse genom att skilja de aktiva och inaktiva platserna åt.

Slusky sa att tillvägagångssättet kan vara ett viktigt steg för att göra enzymer mer användbara för produktion av livräddande läkemedelsbehandlingar och en mängd andra industriella processer. Verkligen, det tillvägagångssätt som KU -teamet föregick kan till och med revolutionera hur enzymer utformas.

"Jag hoppas att det kommer att förändra syntesen i allmänhet, "sa hon." Jag hoppas att det kommer att finnas billigare läkemedel med färre miljökonsekvenser. Just nu, läkemedelsföretags syntes har enorma miljökonsekvenser, och det vore bra om vi kunde sänka dem. Men det finns också syntes i generellt alla branscher. Om du vill göra färg, färg behöver syntes. Allt är gjort av kemikalier - till exempel textilier. Du kan skörda bomull, men i slutändan, du kommer att ge specifika materialegenskaper till den bomullen innan du säljer den, och det kräver kemikalier. Ju mer syntes vi kan göra med enzymer och desto lättare kan vi göra det för företag att göra denna syntes med enzymer, desto billigare blir det, och ju grönare det blir. "

Enligt Slusky, Maskininlärningsforskningen skulle fortsätta på tre linjer.

"Nummer ett, vi försöker få maskininlärningssättet att fungera lite bättre, "sa hon." Nummer två, Vi börjar designa enzymer med det. Och nummer tre är att vi vill göra detta för enzymer som inte binder metaller. Fyrtio procent av alla enzymaktiva platser har metaller bundna. Låt oss göra de andra 60%, också - och att hitta rätt jämförelse för de andra 60% är ett projekt som en annan doktorand i mitt labb arbetar med. "