Dans les sciences catalytiques, comme dans tous les domaines scientifiques, nous sommes confrontés à une augmentation rapide du volume et de la complexité des données de recherche, qui constituent un défi pour l’analyse et la réutilisation. Une équipe dirigée par le professeur Jürgen Pleiss de l’Institut de biochimie et de biochimie strategy de l’Université de Stuttgart a présenté EnzymeML comme format d’échange de données dans un write-up récent de la revue “Character Procedures”. EnzyemML sert de structure pour rapporter de manière exhaustive les résultats d’une expérience enzymatique et stocke les données de manière structurée et les rend traçables et réutilisables.
Alors que de additionally en furthermore de données sont générées par un nombre croissant de chercheurs et des dépenses de recherche croissantes dans le monde, ces données sont difficilement gérables par notre pratique savante de communication des résultats scientifiques. Même la gestion manuelle de vos propres données prend du temps et est source d’erreurs, mais l’accès et la réanalyse des données d’autres groupes de recherche sont presque impossibles. Le manque de normes, les métadonnées incomplètes et les données originales manquantes rendent presque unattainable la copy des résultats publiés. De in addition en moreover de chercheurs ont l’impression de se noyer sous un tsunami de données.
Cela s’applique également aux études sur l’activité catalytique, la sélectivité et la stabilité des enzymes et des réseaux enzymatiques, un domaine de recherche tout aussi vital pour la biotechnologie industrielle et la biomédecine. Ce qui complique également les choses dans ce domaine est le fait que les données décrivant les expériences enzymatiques sont particulièrement complexes, automobile une réaction enzymatique dépend de nombreux facteurs, tels que la séquence protéique de l’enzyme, l’organisme hôte recombinant, les problems de réaction et les réactions non enzymatiques. réactions secondaires. De plus, d’autres effets tels que l’inactivation ou l’inhibition de l’enzyme, ou l’évaporation du milieu affectent les résultats.
Le nouveau structure d’échange de données standardisé “EnzymeML”, présenté par 23 auteurs de 14 instituts de recherche différents dans la revue scientifique Nature Strategies, donne de l’espoir à cet égard. EnzymeML peut enregistrer complètement les résultats d’une expérience enzymatique, des circumstances de réaction aux données mesurées, ainsi que le modèle cinétique utilisé pour analyser les données expérimentales et les paramètres cinétiques estimés. Le structure fournit ainsi un canal de conversation transparent entre les plateformes expérimentales, les cahiers de laboratoire électroniques, les outils de modélisation de la cinétique enzymatique, les plateformes de publication et les bases de données de réactions enzymatiques. “Nous démontrons la faisabilité et l’utilité de la boîte à outils EnzymeML en utilisant 6 scénarios où les données et les métadonnées de diverses réactions enzymatiques sont collectées, analysées et téléchargées dans des bases de données publiques pour une utilisation upcoming”, explique le leading auteur Simone Lauterbach.
Les paperwork EnzymeML sont structurés et standardisés, par conséquent les résultats expérimentaux encodés dans un document EnzymeML sont interopérables et réutilisables par d’autres groupes. Étant donné qu’un document EnzymeML est lisible par equipment, il peut être utilisé dans un flux de travail automatisé pour stocker, visualiser et analyser des données, ainsi que pour réanalyser des données précédemment publiées, sans restriction de la taille de chaque ensemble de données ou du nombre d’expériences..
“La numérisation de la biocatalyse augmente l’efficacité de la gestion, de la visualisation et de l’analyse des données”, souligne le professeur Jürgen Pleiss, auteur correspondant et coordinateur du projet. De furthermore, la numérisation améliore la reproductibilité des expériences et des analyses de données, favorisant ainsi la confiance dans les résultats scientifiques. “La boîte à outils EnzymeML utilise au mieux les données enzymatiques en croissance rapide et constitue un outil utile qui permet aux chercheurs de surfer sur la obscure des données de recherche.”
EnzymeML est également utilisé dans des projets de recherche au sein du Centre de Recherche Collaborative “Molecular Heterogeneous Catalysts in Confined Geometries” (SBF 1333) et du Pôle d’Excellence “Info-Integrated Simulation Science” (SimTech) de l’Université de Stuttgart, et est également intégré dans les infrastructures nationales allemandes de données de recherche NFDI4Cat et NFDI4Chem.