Shuxin Pei
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Shuxin Pei has a total of 9 co-authors. Here are the top co-authors by number of shared publications:
- Chao Xiang
Abt. Biotechnologie und Enzymkatalyse Institut für Biochemie Universität Greifswald Felix-Hausdorff-Str. 4 17487 Greifswald Deutschland
2 shared publications - Chenghai Sun
Dept. of Biotechnology & Enzyme Catalysis Institute of Biochemistry University of Greifswald Felix-Hausdorff-Straße 4 17489 Greifswald Germany
2 shared publications - Lin Shen
College of Chemistry Key Laboratory of Theoretical & Computational Photochemistry of Ministry of Education Beijing Normal University Beijing China
2 shared publications - Marian J. Menke
Department of Biotechnology and Enzyme Catalysis Institute of Biochemistry University of Greifswald Felix-Hausdorff-Str. 4 17487 Greifswald Germany
2 shared publications - Mark Dörr
Department of Biotechnology & Enzyme Catalysis, Institute of Biochemistry, University of Greifswald, Greifswald, Germany
2 shared publications - Matthias Höhne
Institut für Chemie Technische Universität Berlin Müller‐Breslau‐Straße 10, 10623 Berlin Germany
2 shared publications
Latest Publications
- Open Access
- 3 May 2023
- Published by Wiley in Angewandte Chemie International Edition
- Vol. 62 (23) , e202301660
Structure‐ and Data‐Driven Protein Engineering of Transaminases for Improving Activity and Stereoselectivity
Amine transaminases (ATAs) are powerful biocatalysts for the stereoselective synthesis of chiral amines. Machine learning provides a promising approach for protein engineering, but activity prediction models for ATAs remain elusive due to the difficulty of obtaining high‐quality training data. Thus, we first created variants of the ATA from Ruegeria sp. (3FCR) with improved catalytic activity (up to 2000‐fold) as well as reversed stereoselectivity by a structure‐dependent rational design and collected a high‐quality dataset in this process. Subsequently, we designed a modified one‐hot code to describe steric and electronic effects of substrates and residues within ATAs. Finally, we built a gradient boosting regression tree predictor for catalytic activity and stereoselectivity, and applied this for the data‐driven design of optimized variants which then showed improved activity (up to 3‐fold compared to the best variants previously identified). We also demonstrated that the model can predict the catalytic activity for ATA variants of another origin by retraining with a small set of additional data.
- 3 May 2023
- Published by Wiley in Angewandte Chemie International Edition
- Vol. 62 (23) , e202301660
Open AccessStructure‐ and Data‐Driven Protein Engineering of Transaminases for Improving Activity and Stereoselectivity
Amine transaminases (ATAs) are powerful biocatalysts for the stereoselective synthesis of chiral amines. Machine learning provides a promising approach for protein engineering, but activity prediction models for ATAs remain elusive due to the difficulty of obtaining high‐quality training data. Thus, we first created variants of the ATA from Ruegeria sp. (3FCR) with improved catalytic activity (up to 2000‐fold) as well as reversed stereoselectivity by a structure‐dependent rational design and collected a high‐quality dataset in this process. Subsequently, we designed a modified one‐hot code to describe steric and electronic effects of substrates and residues within ATAs. Finally, we built a gradient boosting regression tree predictor for catalytic activity and stereoselectivity, and applied this for the data‐driven design of optimized variants which then showed improved activity (up to 3‐fold compared to the best variants previously identified). We also demonstrated that the model can predict the catalytic activity for ATA variants of another origin by retraining with a small set of additional data.
- Open Access
- 3 May 2023
- Published by Wiley in Angewandte Chemie
- Vol. 135 (23)
Struktur‐ und Daten‐basiertes Protein Engineering von Transaminasen zur Verbesserung von Aktivität und Stereoselektivität
Amintransaminasen (ATAs) sind leistungsstarke Biokatalysatoren für die stereoselektive Synthese chiraler Amine. Machine learning ist ein vielversprechender Ansatz für das Protein‐Engineering, aber Modelle zur Aktivitätsvorhersage für ATAs sind aufgrund der Schwierigkeit, qualitativ hochwertige Trainingsdaten zu erhalten, schwer zu finden. Aus diesem Grund haben wir zunächst Varianten der ATA aus Ruegeria sp. (3FCR) mit verbesserter katalytischer Aktivität (bis zu 2000‐fach) sowie umgekehrter Stereoselektivität durch strukturabhängiges rationales Design entwickelt und dabei einen hochwertigen Datensatz gesammelt. Anschließend entwarfen wir einen modifizierten One‐Hot‐Code, um sterische und elektronische Effekte von Substraten und Aminosäureresten innerhalb von ATAs zu beschreiben. Schließlich erstellten wir einen Gradient Boosting Regression Tree Prädiktor zur Vorhersage der katalytischen Aktivität und Stereoselektivität und wendeten diesen für das datengesteuerte Design optimierter Varianten an, die dann eine verbesserte Aktivität zeigten (bis zum Dreifachen im Vergleich zu den besten zuvor identifizierten Varianten). Wir haben zudem gezeigt, dass das Modell die katalytische Aktivität für ATA‐Varianten eines anderen Enzyms vorhersagen kann, indem es mit einem kleinen Satz zusätzlicher Daten neu trainiert wurde.
- 3 May 2023
- Published by Wiley in Angewandte Chemie
- Vol. 135 (23)
Open AccessStruktur‐ und Daten‐basiertes Protein Engineering von Transaminasen zur Verbesserung von Aktivität und Stereoselektivität
Amintransaminasen (ATAs) sind leistungsstarke Biokatalysatoren für die stereoselektive Synthese chiraler Amine. Machine learning ist ein vielversprechender Ansatz für das Protein‐Engineering, aber Modelle zur Aktivitätsvorhersage für ATAs sind aufgrund der Schwierigkeit, qualitativ hochwertige Trainingsdaten zu erhalten, schwer zu finden. Aus diesem Grund haben wir zunächst Varianten der ATA aus Ruegeria sp. (3FCR) mit verbesserter katalytischer Aktivität (bis zu 2000‐fach) sowie umgekehrter Stereoselektivität durch strukturabhängiges rationales Design entwickelt und dabei einen hochwertigen Datensatz gesammelt. Anschließend entwarfen wir einen modifizierten One‐Hot‐Code, um sterische und elektronische Effekte von Substraten und Aminosäureresten innerhalb von ATAs zu beschreiben. Schließlich erstellten wir einen Gradient Boosting Regression Tree Prädiktor zur Vorhersage der katalytischen Aktivität und Stereoselektivität und wendeten diesen für das datengesteuerte Design optimierter Varianten an, die dann eine verbesserte Aktivität zeigten (bis zum Dreifachen im Vergleich zu den besten zuvor identifizierten Varianten). Wir haben zudem gezeigt, dass das Modell die katalytische Aktivität für ATA‐Varianten eines anderen Enzyms vorhersagen kann, indem es mit einem kleinen Satz zusätzlicher Daten neu trainiert wurde.