酶改造-modelpaper-DeepEnzyme

置顶 | 发表于 | 分类于
文献《DeepEnzyme》解析：融合 Transformer 与图卷积网络（GCN），利用蛋白质三维结构与底物信息预测酶周转数（kcat），及与 TurNuP、DLKcat、UniKP 等的对比与适用场景。

1. 文献信息

周转数（turnover number，kcat） 表示酶在底物饱和条件下、单位时间内每个活性位点所能转化的底物分子数上限，是蛋白工程、合成生物学与基因组尺度代谢模型（genome-scale metabolic model，GEM） 参数化的关键动力学量之一。

段末注释：kcat 为催化常数/周转数；GEM 指覆盖全基因组反应与酶学约束的代谢网络模型。

2. 研究动机与定位

实验测定 kcat 成本高、通量有限；深度学习可在序列或反应层面做高通量推断。已有工作包括：基于机器学习、主要面向大肠杆菌的 Heckmann 等；面向广谱酶–底物对的 DLKcat（Li 等，Nature Catalysis 2022）；在底物/产物指纹与精炼数据上改进的 TurNuP（Kroll 等，Nat Commun 2023）等。作者指出：当测试集与训练集酶序列相似度较低时，纯序列模型的精度与稳健性仍不足。

蛋白质功能在很大程度上由三维结构决定；活性位点排布、底物结合与稳定性等信息难以仅从一级序列完全恢复。AlphaFold2、ColabFold 等降低了获得高质量结构的成本，使得在 kcat 预测中系统利用三维结构特征成为可能。DeepEnzyme 的定位是：监督学习框架下，显式融合 1D 序列、3D 结构与底物表征，以提升精度并在低序列相似度场景下更稳健。

3. 原文 Methods 与模型结构（详解）

以下按 Wang 等 Brief Bioinform 2024 正文 Methods 顺序整理，并在 §3.11 补充与 GitHub 仓库 示例代码可对齐的实现细节（论文未逐条列出超参数时，以代码与补充材料为准）。

3.1 数据预处理与划分（Data preprocessing）

  • 数据来源：初始集合来自 DLKcat 论文发布的酶–底物–kcat 数据。
  • 序列去冗余：用 MMseqs2 在全数据上评估酶序列相似度。对同一底物且两酶序列相似度 > 90% 的多条记录，只保留其中酶序列最长的那一条，以降低训练/验证/测试之间因近重复序列带来的过拟合风险。
  • 规模：自原数据约 16 838 对酶–底物对，经上述规则得到 11 927 条独特组合（原文 Supplementary Table 2）。
  • 划分：按 80% / 10% / 10% 随机划分为训练集、验证集与测试集。

段末注释：MMseqs2 为面向海量序列的快速同源搜索与聚类工具（Steinegger & Söding，Nat Biotechnol 2017），此处用于相似度筛选与去冗余。

3.2 酶结构获取与接触图（Enzyme structure prediction and contact map）

  • 结构来源：数据集中大量酶无实验解析结构，作者使用 ColabFold 为全部酶预测三维结构；全文预测结构的平均 pLDDT 约为 92.67，作为结构质量的整体说明。
  • 从坐标到图：将每条结构转为无向图形式的接触图。每个氨基酸残基对应图上的一个节点；若两残基「代表原子」之间的欧氏距离 小于给定阈值，则在两节点间连一条边，从而得到可供 GCN 使用的邻接关系。论文将具体构图准则指向文献 [44,45]（结构导向的图神经网络在蛋白上的常见设定）。
  • 与公开代码一致的一种实现：官方示例脚本 luciferase_contact_map 中，对每个残基取 Cα（alpha carbon，Cα） 坐标，计算残基间 Cα–Cα 距离矩阵；以 10 Å（ångström，Å） 为截断，距离小于阈值则记为接触（二值化邻接矩阵），并对序列–残基数不一致等情况做填充与对角线处理。注意：该阈值为代码显式写出；若复现论文结果，应以作者提供的预处理流水线与训练配置为准。

段末注释：Cα 为主链上每个氨基酸的 α 碳原子，常用于残基几何中心近似；Å 为 10⁻¹⁰ m，为结构生物学常用长度单位。

3.3 序列分支：Transformer 与 n-gram（The protein sequence baseline）

  • n-gram 词表化：与 DLKcat 中蛋白质序列处理思路一致，将氨基酸序列切分为长度为 n 的重叠子串（n-gram），经 词嵌入（word embedding） 将每个 n-gram 映为向量；不在词表中的片段在实现中可动态赋默认索引（见仓库 split_sequence）。
  • Transformer 编码器：嵌入序列后接 位置编码（positional encoding） 与 Transformer 编码器；其中 多头自注意力（multi-head self-attention，MHSA） 通过 Query（Q）、Key（K）、Value（V）计算上下文相关表示（原文 Eq. 1–3，形式与 Vaswani 等经典定义同族）。
  • 输出：得到与序列长度对齐的隐向量序列，作为序列模态特征，供后续与结构、底物特征融合。

段末注释：MHSA 为并行多组自注意力，再拼接/投影，以捕获不同子空间的依赖关系。

3.4 底物分支：SMILES、指纹与分子图 GCN（Substrate / RDKit）

  • 分子解析：由底物 SMILES 用 RDKit 构建分子对象，并可加氢（AddHs）以符合化学信息学惯例。
  • 原子与键类型编码：原子类型、键类型等离散符号映射为整数索引（仓库中以 atom_dict、bond_dict 等 pickle 词典提供）。
  • 子结构指纹：在半径 radius 迭代下聚合邻居信息，形成层次化分子指纹向量（实现类 Morgan/环境展开思路，见 extract_fingerprints）；指纹元素再嵌入为稠密向量。
  • 邻接矩阵：由 RDKit 得到分子 邻接矩阵（adjacency matrix） 作为图结构，输入 GCN 分支；该分支与酶结构分支共用 GCN 模块类，但权重不共享，以分别学习底物图与蛋白接触图。

3.5 结构分支：接触图上的 GCN（Protein structure baseline）

  • 将 §3.2 得到的蛋白邻接矩阵（稀疏或稠密形式）与序列分支中同一序列对应的残基级嵌入结合：对每个节点有初始特征向量，经 GCN 做邻域聚合（论文 Eq. 4；实现中常采用对称归一化邻接矩阵 D̃−1/2 Ã D̃−1/2 形式的图卷积，与 Kipf & Welling 经典 GCN 一致），输出更新后的节点/图表示，作为结构模态特征。

3.6 融合、神经注意力与 kcat 读出（Neural attention baseline）

  • 多路特征汇合：原文将来自 序列 Transformer、蛋白接触图 GCN、底物图 GCN 的表示合并为一条综合嵌入（图示为「酶 + 底物」联合表征）。
  • 神经注意力：在融合后使用神经注意力机制（原文 Eq. 5–8），对各子块隐向量赋权并聚合，经 整流线性单元（rectified linear unit，ReLU） 等非线性变换后，由线性层映射到标量输出。论文指出该设计可得到与残基相关的注意力权重，用于后续解释哪些位点对预测贡献更大。
  • 标签空间（实现细节）：官方推理示例将网络输出视为 log2(kcat)（或与之等价的对数刻度），再经 2**prediction 还原为 kcat；训练阶段损失函数在正文以指标反推为主，具体损失形式以仓库训练脚本为准。

段末注释：ReLU 为 (\max(0,x)) 激活；公开仓库中前向网络可能与正文图示在注意力实现细节上略有差异，以论文公式与作者发布版本为准。

3.7 评价指标（Evaluation metrics）

对实验 kcat 与预测值计算（原文 Eq. 9–11）：

  • R²（决定系数）：(R^2 = 1 - \frac{\sum_i (y_i - \hat{y}_i)^2}{\sum_i (y_i - \bar{y})^2})，其中 (y_i) 为实验值，(\hat{y}_i) 为预测值，(\bar{y}) 为实验值均值。
  • RMSE：(\sqrt{\frac{1}{n}\sum_i (y_i - \hat{y}_i)^2})。
  • PCC：预测与实验值的皮尔逊线性相关系数。

段末注释：R² 越大表示解释方差比例越高；RMSE 与 kcat 同量纲，越小越好；PCC 衡量线性相关，不依赖线性校准时仍常用。

3.8 与基线模型的对比协议（Comparison of different deep learning models）

  • 选用可公开获取代码与权重的 DLKcat、TurNuP、DLTKcat 等，在相同或论文声明可比的评估流程下复现/运行。
  • 序列相似度分层：用 MMseqs2 计算测试集酶与训练集酶之间的序列相似度，将测试样本分为 0–50%、50–90%、90–100% 三档，分别报告 R² 等（原文 Fig. 3c）。
  • 结构相似度示例：对案例蛋白用 Foldseek、US-align 等计算结构对齐分数（如 TM-score），与序列一致性对照。

3.9 饱和突变数据上的预测流程（Prediction performance … saturation mutagenesis）

  • CYP2C9、PafA 等：从已发表高通量实验文献获取突变体序列与活性/动力学标签；对突变体同样用 ColabFold 预测结构，再输入 DeepEnzyme 得到预测 kcat，与实验分层（错义/无义，或高/低 kcat）比较。

3.10 残基重要性解释（Interpretation analysis … key residue sites）

  • 对野生型蛋白做 kcat 前向预测时，从 GCN 提取结构支路的残基相关表示，经 min-max 归一化 得到每个残基的权重分数；与 UniProt 中标注的 binding/active site 对比，并考察 Top 5% 高权重残基与注释位点在三维空间中的邻近或重叠程度。

3.11 统计检验与开源实现超参（Statistical analysis & implementation notes）

  • 假设检验：组间比较使用 SciPy 中的双侧 t 检验（two-sided t-test）（原文 Methods / Statistical analysis）。
  • 仓库示例 example.py 中的典型超参（仅供对照，完整训练以作者脚本为准）：ngram = 4；dim = 64，hidden_dim1 = 64，hidden_dim2 = 128；Transformer 编码器 layers_trans = 3，nhead = 4，hid_size = 64；底物指纹展开 radius = 2；底物与蛋白 GCN 模块在示例中共享同一 GCN 类实例化参数；dropout 在示例推理中可为 0。若论文正文与代码后续更新不一致，以正式发表论文及 Figshare 附带配置为准。

文献原图（Fig. 1）：DeepEnzyme 总体框架——Transformer 提取序列特征，GCN 基于接触图与底物邻接矩阵提取结构/底物特征，融合后经注意力读出预测 kcat；图中注明训练用结构由 ColabFold 预测、平均 pLDDT 等。（图源：Wang 等，Brief Bioinform 2024，PMC 11880767，CC BY 4.0）

Figure 1. The framework of DeepEnzyme for kcat prediction.

4. 数据与预处理（一览）

已展开见 §3.1：DLKcat 来源、MMseqs2 去冗余（相同底物、序列相似度 > 90% 取最长）、11 927 条组合、80/10/10 划分。补充：Figshare 提供训练用大文件与词典（如 sequence_dict、fingerprint_dict 等），与仓库 Data/Input 路径约定一致。

5. 主要实验结果（概括）

5.1 整体与消融

  • 测试集上 PCC 接近 0.77（原文 Fig. 2a）；五轮训练中测试集平均 R² 约 0.58（Fig. 2f），用于说明不同划分下的稳健性。
  • 仅序列 + 底物 与 加入结构 相比，加入结构后精度明显提升（Fig. 2e）。
  • 突变体 子集 PCC 高于 野生型（文中约 0.84 vs 0.67），可能与数据集中突变体占比（约 59%）及标签分布有关。
  • 按 EC（Enzyme Commission，EC）编号 首位分类时，EC1、EC2 等数据量较大的类 R² 更高，反映类别样本量对性能的影响。

文献原图（Fig. 2）：测试集上 PCC、野生型/突变体分层、按 EC 分组的性能、不同输入模态消融（Only-structure / Only-sequence / 全模态）、五轮训练平均 R² 等。（图源同上）

Figure 2. Evaluation of DeepEnzyme performance in kcat prediction.

5.2 与既有方法对比

  • 与 TurNuP、DLKcat、DLTKcat（可获取代码的公开模型）在相同评估设定下比较：DeepEnzyme 在使用序列 + 结构 + 底物时 R² 更高；RMSE 约为 0.95，低于 DLKcat、DLTKcat，略高于 TurNuP——作者讨论认为 TurNuP 训练时可能剔除了极端高/低 kcat 反应，从而压低 RMSE，对比时需注意数据过滤策略差异。
  • 将测试集按与训练集的序列相似度分为 0–50%、50–90%、90–100% 三档：DeepEnzyme 在低相似度档仍保持较高 R²，而 DLKcat、DLTKcat 的 R² 随相似度下降波动更大；作者用 Foldseek、US-align 展示两例 EC 1.3.3.4 酶：序列相似度约 27%，结构相似度（TM-score 等）约 0.88，说明结构信息可补偿远缘序列。

文献原图（Fig. 3）：与 TurNuP、DLKcat、DLTKcat 的 R² / RMSE 对比；不同序列相似度分档上的 R²；低序列相似但结构高相似的两例酶示意图。（图源同上）

Figure 3. Improved performances of DeepEnzyme in kcat prediction compared to existing models.

5.3 饱和突变与可解释性

  • CYP2C9 大量变异体：无义突变预测 kcat 中位数低于错义突变，与实验活性趋势一致（原文 Fig. 4a–b）。
  • PafA 饱和突变：高 kcat 与 低 kcat 突变组的预测中位数差异与实验趋势方向一致（Fig. 4c–d）。
  • 对 PafA 与 P00558 等：用 GCN 结构向量经 min-max 归一化 得到残基权重；结合/活性位点（UniProt 注释）权重显著高于一般位点，权重 Top 5% 残基 与注释位点在空间上邻近或部分重叠（Fig. 5），支持模型对功能位点的敏感性。

文献原图（Fig. 4）：CYP2C9 变异体预测 kcat 与实验活性分；PafA 突变体高/低 kcat 组的预测与实验对比。（图源同上）

Figure 4. Analysis of the prediction ability of DeepEnzyme for two enzymes with saturation mutagenesis datasets.

文献原图（Fig. 5）：UniProt 注释的结合/活性位点与一般位点的权重分数比较；高权重残基（Top 5%）与功能位点在三维结构中的空间关系（PafA、P00558）。（图源同上）

Figure 5. Comparison between the binding/active site and high-weight site within protein 3D-structures.

5.4 基因组尺度应用示例

  • 对 E. coli、小鼠、酿酒酵母、人 等物种的 GEM 及 Geobacter metallireducens 等模型中的酶促反应做批量 kcat 预测，展示预测值分布（原文 Fig. 6），用于说明组学尺度动力学参数填充的用法。

文献原图（Fig. 6）：多物种 GEM 与 Geobacter metallireducens（iAF987）中酶促反应 kcat 预测值的分布。（图源同上）

Figure 6. Predicted kcat values for enzyme-catalyzed reactions in genome-scale metabolic models.

6. 讨论中的自我定位：与 UniKP 等的关系

作者在 Discussion 中说明：同期 UniKP（预训练 SMILES Transformer + 蛋白质语言模型等）在部分测试上精度可优于 DeepEnzyme；但在单点突变对催化效率的定性排序等任务上 DeepEnzyme 仍有可取之处（见原文 Supplementary Table 1）。同时强调：在结构已预先算好的前提下，DeepEnzyme 参数量更小、对大规模变异体预测速度显著更快（文中举例相对 UniKP 完成相同预测任务的速度数量级差异，依赖具体硬件与实现）。

7. 局限与可改进方向（原文归纳）

  • 训练数据规模仍有限（约 1.2 万对），扩大酶–底物多样性有望继续提升性能。
  • 未显式纳入 pH、温度 等实验条件，可能与部分酶种预测偏差有关。
  • 未来可接入预训练蛋白质/分子表征，在现有 Transformer + GCN 框架上进一步融合。

8. 代码与数据

9. 与酶改造实践的关联（一句话）

若工作流中已具备或愿意批量生成酶三维结构（实验或 ColabFold/AlphaFold 等），DeepEnzyme 代表一条结构增强的 kcat 监督学习路径；与纯序列或预训练大模型路线（如 UniKP）的取舍需综合精度、推理成本、是否需要位点级解释与突变排序来选。

-------------本文结束感谢您的阅读-------------