使用交叉注意力图的神经网络进行酶特异性预测
Haiyang Cui1,2,3,4, Yufeng Su3,5, Tanner J Dean3,6
1Department of Chemical and Biomolecular Engineering, University of Illinois Urbana-Champaign, Urbana-Champaign, IL, USA.
Nature
|October 8, 2025
概括
EZSpecificity是一种新的AI模型,可以准确地预测酶基质的特异性. 这一突破增强了对生物催化物多样性的理解,并有助于生物学和医学研究.
科学领域:
- 生物化学
- 生物信息学
- 计算生物学
背景情况:
- 酶功能由基质特异性决定,由活性位点结构和反应过渡状态决定.
- 数以百万计的酶缺乏基质特异性数据,阻碍了研究和应用.
- 现有的预测模型在准确性和范围上有局限性.
研究的目的:
- 为准确的酶基质特异性预测开发一种新的机器学习模型.
- 为模型培训创建一个全面的酶基质相互作用数据库.
- 克服现有方法的局限性并改善生物催化学理解.
主要方法:
- 开发了EZSpecificity,一个交叉注意力授权的SE(3) -等效图形神经网络.
- 在一个定制的酶基质相互作用数据库上训练模型.
- 根据使用多种酶和基质数据集的现有模型验证了EZSpecificity.
主要成果:
- EZSpecificity显著超过了最先进的机器学习模型.
- 使用八种基酶和78种基质进行实验验证,预测反应基质的准确率为91. 7%.
- 该模型在未知的酶和基质数据库以及概念证明蛋白质家族中表现出卓越的性能.
结论:
- EZSpecificity为预测酶基质特异性提供了一个通用和准确的方法.
- 该模型在生物学和医学领域的基础和应用研究中具有广泛的应用.
- 这项工作促进了生物催化酶的理解和利用.
