摘要：籍均匀设计(UD)方法,构建了G/11家族木聚糖酶氨基酸组成和最适pH的神经网络(NNs)模型。当学习速率为0·09、动态参数为0·4、Sigmoid参数为0·98,隐含层结点数为10时,该模型对最适pH的拟合和预测平均绝对百分比误差可分别达到3·02%和4·06%,均方根误差均为0·19个pH单位,平均绝对误差分别为0·11和0·19个pH单位。该结果比文献报道的用逐步回归方法好。

摘要：构建了乙醇脱氢酶氨基酸组成和最适温度的神经网络模型,并运用均匀设计优化神经网络结构。结果表明,当最小训练率为0．12,动态参数为0．6,Sigmoid参数为0．98,隐含层结点数为9时,神经网络的拓扑结构为最优。所得样本误差为0．00999,模型对温度预测的平均绝对百分比误差为5．13%,均方根误差为5．12℃,平均绝对误差为3．82℃,优于逐步回归计算的结果。

摘要：木聚糖酶结构与功能、性质的关系错综复杂,传统的回归分析往往不能满足要求。本文采用主成分分析法对样本数据集进行预处理,将得到的新样本数据集输入神经网络,籍助于均匀设计(UD),构建了木聚糖酶氨基酸组成和最适pH的模型。当学习速率为0.08、动态参数为0.7、Sigmoid参数为0.92,隐含层结点数为9时,模型的拟合残差为0.001 09,对pH值拟合的平均绝对百分比误差为3.29%,同时具有良好的预测效果,预测的平均绝对误差为0.59个pH单位。比文献报道的用逐步回归方法更好。

摘要：生物催化剂是限制工业生物催化的重要瓶颈,发现新型生物催化剂或生物催化剂的新功能及新底物是目前的主要任务。实现该目标的方法有三种:(1)从环境样品中筛选,(2)利用蛋白质工程改造现有生物催化剂,(3)探寻现有生物催化剂的新功能。本文描述了上述三种方法的关键步骤及技术,其中重点介绍了高通量培养技术以及新近发展起来的半理性设计改造生物催化剂的技术。

摘要：筛选出一株能分解牛蒡菊糖并产生低聚糖的菌株,经鉴定为黑曲霉AC 1.正交设计法优化摇瓶发酵产菊糖酶的条件,实验结果表明:最佳发酵条件为基质菊糖质量浓度为0.03 g/mL,pH为6.0,磷酸氢二钾质量浓度为0.006 g/mL,酶活力可达26.41 U/mL.利用高效液相色谱检测AC 1产生的菊糖酶粗酶液分解牛蒡菊糖后的产物,结果表明:经分解后检测出低聚糖的存在.对AC 1产生的菊糖酶粗酶液的酶学性质分析,结果表明:pH 5.5,50℃反应温度下表现出最大且稳定的酶活力.

摘要：定向进化在改造酶的性质方面已得到广泛应用,各种建立突变库的方法不断涌现。对新近发展的几种突变技术(如寡核苷酸设计型装配重组技术ADO、非序列同源蛋白重组SHIPREC等)进行了简要地介绍与分类。与突变技术相对应的筛选方法也在逐渐改变和完善,这里仅介绍高通量筛选方面的一些最新进展。