EvoZymePro-Cat: A Protein–Ligand-Aware Deep Learning Framework for Predicting Mutation Effects in Enzyme Function
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Enzymes are biological catalysts that speed up chemical reactions in an eco-friendly way. Precise enzyme design is hindered by vast sequence space and intricate sequence–structure–function interdependencies. To address these challenges, we developed EvoZymePro-Cat (EZPro-Cat), a deep learning platform for enzyme mutant screening. Conventional methods for predicting absolute mutant activities suffer from systematic errors and limited generalizability. Our pairwise comparison framework directly models relative activity superiority between variants, eliminating dependence on absolute value predictions. The framework integrates full sequence and local structure semantics of protein and ligand information using bilinear attention mechanisms. Protein sequences are encoded using the ESM1b transformer model. Ligands are represented through MolT5 embeddings and MACCS molecular fingerprints. The adaptability of protein residues to their microenvironments is captured by integrating structural features and site-specific evolutionary characteristics. Bilinear attention mechanisms capture long-range intermolecular interactions during catalysis by bidirectional projection and weighted fusion of protein–ligand features. Compared to existing methods, our model exhibits superior performance in identifying improved enzyme mutants through comparative prediction of mutation effects on activity, such as K m and k cat . For deep mutation scanning data sets, a few-shot learning strategy combined with the EZPro-Cat framework boosts prediction precision (AUC 0.908). By using integrated multimodal representations, EZPro-Cat offers a mechanistic and practical solution for functional profiling of intraprotein variants, driving paradigm shifts in highly efficient enzyme discovery and directed evolution.
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.
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 | 0,001 |
| 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 | 0,001 | 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 découle