Orientering: Konstruktion af proteinernes fitnesslandskaber via epistasi-bevidste maskinlæringsmetoder

Vores hovedmål er at udvikle mere effektive metoder til at optimerer enzymer ved at kombinere avancerede eksperimentelle teknikker med nye maskinlæringsmetoder, der inkorporerer ikke-lineære epistatiske effekter. Domæneeksperten har været pioner inden for høj-kapacitet-eksperimentelle metoder til enzymudvikling, mens metodeeksperten har udviklet banebrydende metoder inden for datalogi baseret på Bayesiansk optimering (BO), en ML-algoritme til at optimere problemer i lavdata regimer. Formålet med dette samarbejde er at videreudvikle begge eksperters tidligere arbejde med særligt fokus på udfordringerne ved multiparametrisk optimering og ikke lineære epistatiske effekter, som er særdeles vanskelige at forudsige for enzymer. Som model system vil vi bruge det NADPH-afhængige enzym formiatdehydrogenase (FDH), der kan omdanne kuldioxid (CO₂) til myresyre og dermed har potentiale til at genanvende biologiske cofaktorer i industriel biokatalyse. Vores epistasi-bevidste maskinlæringsmetode er invariant overfor enzymsystemet det bruges på og kan derfor støtte optimeringen af bioteknologi hvor ikke-lineære epistatiske effekter og trade-off-effekter er udbredte og vanskelige at håndtere.