MARC

 008260126s2025        us                              c    eng  d
■001000017358762
■00520260202104748
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798290652580
■035    ▼a(MiAaPQ)AAI32151309
■035    ▼a(MiAaPQ)Caltech17182
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a400
■1001  ▼aLi,  Francesca-Zhoufan.
■24510▼aEvaluation  of  the  Generalizability  of  Machine  Learning-Assisted  Protein  Engineering  Methods
■260    ▼a[Sl]▼bCalifornia  Institute  of  Technology▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a230  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-01,  Section:  B.
■500    ▼aAdvisor:  Arnold,  Frances  Hamilton;Yue,  Yisong.
■5021  ▼aThesis  (Ph.D.)--California  Institute  of  Technology,  2025.
■520    ▼aEngineered  proteins  can  carry  out  a  vast  array  of  functions  and  have  become  indispensable  across  numerous  industrial  applications.  To  accelerate  wet-lab  protein  engineering  efforts,  machine  learning-based  methods  have  advanced  rapidly.  However,  a  gap  remains  between  state-of-the-art  machine  learning  methods  and  their  practical  adoption.  A  key  factor  contributing  to  this  disconnect  is  the  lack  of  application-relevant  benchmarking  and  generalizable  insights  across  protein  engineering  tasks.  This  thesis  evaluates  machine  learning-assisted  protein  engineering  approaches  to  identify  generalizable  strategies.  The  central  problem  considered  is  learning  the  mapping  from  protein  sequence  to  function-known  as  the  fitness  landscape-to  enable  the  prediction  of  unseen  variant  fitness.  Chapter  1introduces  the  background  and  context  for  machine  learning-assisted  protein  engineering  and  highlights  the  practical  constraint  of  limited  experimental  budgets.  Chapter  2investigates  transfer  learning,  which  leverages  models  pretrained  on  large  protein  sequence  databases  to  generate  informative  representations  for  modeling  task  specific  sequence-function  relationships.  Evaluation  across  ten  diverse  tasks  shows  that  while  transfer  learning  is  effective  in  structure  prediction,  it  underperforms  in  variant  fitness  prediction-a  key  objective  in  protein  engineering.  Chapter  3evaluates  alternative  strategies  with  a  focus  on  combinatorial  fitness  landscapes,  a  common  setting  in  protein  engineering.  Across  16  diverse  landscapes,  focused  trainingimproves  the  performance  of  various  machine  learning  approaches  by  strategically  selecting  training  variants  using  zero-shot  predictors,  which  estimate  variant  fitness  from  auxiliary  information  without  relying  on  experimental  data.  Building  on  these  insights,  Chapter  4addresses  the  specific  challenge  of  engineering  enzymes-proteins  that  convert  substrates  into  products-for  novel  chemistries.  While  six  general  zero-shot  predictors  without  substrate  information  can  predict  enzyme  activity  on  non-native  substrates,  they  fail  on  more  out-of-distribution,  new-to-naturechemistries.  Incorporating  substrate  information  into  zero-shot  predictors  leads  to  more  generalizable  performance  across  all  tested  chemistries,  spanning  22  substrates.  Overall,  this  thesis  identifies  generalizable  strategies  for  machine  learning-assisted  protein  engineering  by  systematically  evaluating  and  improving  how  sequence-to-function  relationships  are  modeled  across  diverse  tasks.
■590    ▼aSchool  code:  0037.
■650  4▼aLanguage
■650  4▼aDihydrofolate  reductase
■650  4▼aSoftware
■650  4▼aBioengineering
■650  4▼aNeural  networks
■650  4▼aCommunity
■650  4▼aEngineering
■650  4▼aLibraries
■650  4▼aMutagenesis
■690    ▼a0202
■690    ▼a0800
■690    ▼a0679
■690    ▼a0537
■71020▼aCalifornia  Institute  of  Technology▼bBiology  and  Biological  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g87-01B.
■790    ▼a0037
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17358762▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서