牛津大学化学与工程科学系的探讨人士发觉了预测酶活性的通常方法。酶是蛋白质催化剂，其执行生物学中的许多数要害功效。发表在当然化弟子物学，探讨人士的新款人力智能方法是鉴于酶的序列，以及筛选定义的基板的“训练集”和正确的化学参数来定义他们。

酶是众多药物的指标。假如科学家可行预测他们的功效，那末他们可行用小分子抑制这点功效- 在某些概况下可行治疗疾病。这项探讨关于组建一种能够更周全，更周全地理解生物学和健康的全体图像至关要紧。

探讨人士从一个植物物种中解决了全个酶系列。它们联合相应基因的酶的高通量表明，接下来经过定量，没有标志的质谱筛选他们的酶活性。对酶的一级序列的容易剖析无给出真正的运动预测形式，可是当与牛津大学机器学习小组的AI技艺相联合时，准则化学描画符可行获得一种强盛的预测体系。

牛津大学化学教授Ben Davis说：“要害在于，这类方法不但仅是'黑匣子'，却是回应化学家/生物学家成功的预测，以及那一些具备化学和生物学意义的预测的原因。反过来又让咱们弄明白哪些酶可用于合成，预测来源不同物种(甚而细菌)的酶的活性，并依据咱们不具有的提议，以新的形式设置酶预想到的。”

他补充说：“咱们以为这是一种十分强盛的发觉引擎。它将为假设检测提供有趣的可能性。基于最近化学酶的试管进行的诺贝尔化学奖，AI利用于酶以增添了解可行声明成为一种十分强盛的下一种前沿。“

牛津大学消息工程机器学习教授斯蒂芬罗伯茨说：“咱们生活在一种大数据和大模子的时期，但未必是大常识或洞察力。实是上，众多繁杂，体现良没有问题模子的本质模糊成功的细节，导致“黑盒”解决方案缺乏现成的可解释性。造成鲜明对照的是，科学方法将洞察力提取归入其焦点。在这项探讨中，咱们曾经声明提供透明度和洞察力的模子依然能够推进科学进步。“

这一重要进展使成功的蛋白质催化剂活性预测成为可能，这对包括医学探讨在内的广大范畴发生了作用。与模拟小型分子催化剂比较，这是一种更具挑战性的范畴，这类催化剂直到此刻才成为机器学习/化学范畴的顶峰。