德克萨斯大学和美国陆军研究实验室在Nature上发表文章，题为“Machine learning-aided engineering of hydrolases for PET depolymerization”。该工作不再考虑蛋白质工程设计降解酶的思路，而是基于结构的深度学习神经网络来提高降解酶的综合性能。采用三维自我监督的卷积神经网络算法。从Protein Data Bank（PBD）中选出19000个序列平衡的蛋白质结构作为一个集合，训练该算法并学习氨基酸局域化学微环境。然后预测没有被局域优化的wild-type（WT）氨基酸位置。通过MutCompute 获得WT PETase 和 ThermoPETase中，20个全部非氨基酸在每个位置的结构拟合的离散概率分布。这个分布呈现在蛋白质晶体结构上来识别WT氨基残基拟合不如取代基的位置。采用PAST-PETase降解和PET单体再聚合技术，设计PET循环回收再利用过程，为酶类降解塑料的工业回收提供了一条绿色、高效、经济的方法。筛选并确定热稳定性和活性高的突变体。利用逐步组合策略，一共生成159个单个或多个预测的突变体。标记反映催化活性和热稳定性的变量，最终选出4个突变体（S121E, T140D, R224Q 和N233K）最合适。