多模态蛋白质语言模型用于酶动力学参数：从底物识别到构象适应

预测酶动力学参数量化了酶在特定生化条件下催化特定底物的效率。标准参数如 turnover number ($k_\text{cat}$)、Michaelis constant ($K_\text{m}$) 和 inhibition constant ($K_\text{i}$) 取决于酶序列、底物化学结构以及在结合期间活性位点的构象适应。许多学习管道将此过程简化为酶与底物之间静态兼容性问题，通过浅层操作融合其表示并回归单个值。此类表述忽略了催化过程的阶段性特征，后者涉及底物识别和构象适应两个阶段。就此而言，我们将动力学预测重新表述为分阶段的多模态条件建模问题，引入 Enzyme-Reaction Bridging Adapter (ERBA)，通过微调注入跨模态信息到 Protein Language Models (PLMs) 中，同时保持其生化先验知识。ERBA 在两个阶段进行条件化：首先通过 Molecular Recognition Cross-Attention (MRCA) 将底物信息注入酶表示中以捕获特异性；随后通过 Geometry-aware Mixture-of-Experts (G-MoE) 整合活性位点结构并将样本路由到针对口袋的专家，以反映诱导配合。为保持语义忠实度，Enzyme-Substrate Distribution Alignment (ESDA) 在再生产核希尔伯特空间中强制 PLM 流形内的分布一致性。跨越三个动力学终点和多个 PLM 主干，ERBA 均实现了一致性提升，并在 stronger out-of-distribution 性能上优于仅使用序列或浅层融合的基线方法，为可扩展的动力学预测提供了生物学依据的路径，并为添加辅因子、突变及时间分辨结构线索奠定基础。