A Deep Retrieval-Enhanced Meta-Learning Framework for Enzyme Optimum pH Prediction
Notice bibliographique
Résumé
The potential of hydrogen (pH) influences the function of the enzyme. Measuring or predicting the optimal pH (pH opt ) at which enzymes exhibit maximal catalytic activity is crucial for enzyme design and application. The rapid development of enzyme mining and de novo design has produced a large number of new enzymes, making it impractical to measure their pHopt in the wet laboratory. Consequently, in-silico computational approaches such as machine learning and deep learning models, which offer pH prediction at minimal cost, have attracted considerable interest. This work presents Venus-DREAM, an enzyme pH opt prediction model based on the k NN algorithm and few-shot learning, which achieves state-of-the-art accuracy in pHopt prediction. Venus-DREAM regards the pH opt prediction of an enzyme as a few-shot learning task: learning from the k -closest labeled enzymes to predict the pH opt of the target enzyme. The value of k is determined by the optimal k -value of the k NN regression algorithm. And the distance between two enzymes is defined as the cosine similarity of their mean-pooled embeddings obtained from protein language models (PLMs). The few-shot learner is based on the Reptile algorithm, which first adapts to the k -nearest labeled enzymes to create a specialized model for the target enzyme and then predicts its pH opt . This efficient method enables high-throughput virtual exploration of protein space, facilitating the identification of sequences with the desired pH opt ranges in a high-throughput manner. Moreover, our method can be easily adapted in other protein function prediction tasks.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».