换一批摘要机器学习作为辅助酶工程的重要工具,能够挖掘生物序列与功能之间的复杂关系,加速高性能酶的筛选与设计,但因机器学习模型的卓越性能需要大量高质量标注数据作为支撑,使得湿实验获取数据面临巨大挑战.近年来,小样本机器学习通过引入迁移学习等策略突破数据瓶颈,为数据受限下的酶改造提供了新思路,在酶工程中意义巨大.本文首先从数据集构建、特征提取、模型训练和功能预测及验证对机器学习用于酶分子改造的一般流程进行概述和梳理,然后重点介绍了小样本机器学习在改造酶活性、底物选择性和立体选择性方向的最新应用进展,最后对未来研究进行了展望.
更多相关知识
栏目名称
DOI
10.3969/j.issn.1672-3678.2025.06.004
发布时间
2026-01-19（万方平台首次上网日期，不代表论文的发表时间）
基金项目
浙江省尖兵领雁科技计划（2025C01097）
- 浏览6
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
