EvoZymePro-Cat: A Protein–Ligand-Aware Deep Learning Framework for Predicting Mutation Effects in Enzyme Function
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».