伪数据引导的不变表征学习提升酶动力学参数预测中的外分布 generalization
机器学习
2026-01-13 v1 人工智能
定量方法
摘要
准确预测酶的动力学参数对于理解催化机制和指导酶工程至关重要。然而，现有的基于深度学习的酶-底物相互作用(ESI)预测器在序列差异较大的外分布(OOD)案例上常表现下降，限制了在生物学上相关的扰动下的鲁棒性。我们提出了 ODENet，这是一个轻量级、即插即用的模块，通过生物化学信息化的扰动增强和不变表征学习来提升 OOD 泛化能力。ODENet 引入酶-底物扰动，并强制原始和增强后的酶-底物-配对表征之间保持一致，以鼓励对分布性偏移的不变性。当集成到代表性的 ESI 模型中时，ODENet 在严格的基于序列同源性的 OOD 基准测试中，能够显著提升 和 的预测性能，在所评估方法中实现准确性和鲁棒性指标方面的领先成绩。总体而言，ODENet 提供了一种通用且有效的策略，用于增强数据驱动的酶动力学预测器在实际酶工程应用中的稳定性和可部署性。
引用
@article{arxiv.2601.07261,
title = {Pseudodata-guided Invariant Representation Learning Boosts the Out-of-Distribution Generalization in Enzymatic Kinetic Parameter Prediction},
author = {Haomin Wu and Zhiwei Nie and Hongyu Zhang and Zhixiang Ren},
journal= {arXiv preprint arXiv:2601.07261},
year = {2026}
}