从序列片段视角建模酶的温度稳定性
机器学习
2025-07-29 v1 人工智能
生物大分子
定量方法
摘要
开发具有所需热学特性的酶对于广泛的工业和研究应用至关重要，而确定温度稳定性是此过程中的关键步骤。热学参数的实验测定劳动密集、耗时且成本高昂。此外，现有的计算方法常常受到数据可用性有限和分布不平衡的阻碍。为了应对这些挑战，我们引入了一个精心整理的温度稳定性数据集，用于酶热建模中的模型开发和基准测试。利用该数据集，我们提出了Segment Transformer，一种新颖的深度学习框架，能够高效准确地预测酶的温度稳定性。该模型实现了最先进的性能，RMSE为24.03，MAE为18.09，Pearson和Spearman相关系数分别为0.33。这些结果凸显了融入片段级表示的有效性，其基础是蛋白质序列的不同区域对热行为的贡献不均这一生物学观察。作为概念验证，我们将Segment Transformer应用于指导角质酶酶的工程改造。实验验证表明，仅通过17个突变，且在不损害催化功能的情况下，热处理后的相对活性提高了1.64倍。
引用
@article{arxiv.2507.19755,
title = {Modeling enzyme temperature stability from sequence segment perspective},
author = {Ziqi Zhang and Shiheng Chen and Runze Yang and Zhisheng Wei and Wei Zhang and Lei Wang and Zhanzhi Liu and Fengshan Zhang and Jing Wu and Xiaoyong Pan and Hongbin Shen and Longbing Cao and Zhaohong Deng},
journal= {arXiv preprint arXiv:2507.19755},
year = {2025}
}