DGTN：基于扩散注意力门控机制的图增强变换器用于酶DDG预测

预测氨基酸突变对酶热力学稳定性（DDG）的影响是蛋白质工程和药物设计的基本问题。虽然近期深度学习方法显示前景，但常常独立处理序列和结构信息，无法捕捉局部结构几何与全局序列模式之间的精细耦合。我们提出DGTN（扩散图-变换器网络），一种新型架构，通过扩散机制共学习图神经网络（GNN）用于结构先验的权重和变换器注意力。我们的关键创新是双向扩散过程：（1）GNN派生的结构嵌入通过可学习的扩散核指导变换器注意力；（2）变换器表示通过注意力调制的图更新细化GNN信息传递。我们提供严格的数学分析，表明此共学习方案的逼近界优于独立处理。在ProTherm和SKEMPI基准上，DGTN实现了最先进的性能（Pearson Rho = 0.87，RMSE = 1.21 kcal/mol），优于最佳基线提升6.2%。消融研究确认，扩散机制对相关性贡献4.8分。我们的理论分析证明，扩散注意力收敛于最优结构-序列耦合，收敛速率为 $\mathcal{O}(1/\sqrt{T})$，其中T为扩散步数。本工作建立了通过可学习扩散集成异构蛋白表示的原则框架。