跳到正文
bioRxiv· Liu, T.; Deng, J.; Wang, X.; Chen, K.; Zhang, D.; Siu, S. W. I.·· 来源仅提供日期AI 评分57

DecoyOpt 提出两阶段流程用于诱饵感知酶判别与 EC 号预测

DecoyOpt: A two-stage pipeline for decoy-aware enzyme discrimination and EC number prediction

AI 导读

作者提出 DecoyOpt 两阶段流程,先用 ESM3 生成功能位点诱饵,并由 MLP 区分酶、未注释蛋白与诱饵,再由对比学习模型预测 EC 号。该流程在三种拆分上评估了 16 个蛋白质语言模型,在最严格的 GraphPart 40% 拆分上取得 MCC 0.899 和 D0 诱饵 FPR 6.17%,优于重训基线。它还能正确注释全部 4 个野生型酶,并拒绝全部 8 个失活或近失活变体。

预印本 · biorxiv · 10.64898/2026.11.08.762986

本站摘要基于收录版本 v1(2026-11-11),原始摘要与 AI 导读固定保留。

来源最近更新: · 来源 v1

摘要 · AI 翻译

准确而高效的 EC 编号预测对于阐明酶的催化作用至关重要。尽管基于相似性和基于深度学习的方法已推动了这一任务的进展,但它们往往无法将活性酶与因局部功能位点突变而失活的近缘诱饵区分开来,导致假阳性率(FPR)较高。我们提出 DecoyOpt,这是一个用于诱饵感知酶判别和 EC 编号预测的两阶段流程。具体而言,我们使用 ESM3 生成了推定失活的功能位点诱饵,并在三种划分上评估了 16 个蛋白质语言模型。一个以分类损失和排序损失训练的多层感知机(MLP)在对比学习模型为预测出的酶分配 EC 编号之前,先将酶与未注释蛋白及诱饵区分开来。在最严格的 GraphPart 40% 划分上,DecoyOpt 达到 0.899 的 MCC 和 6.17% 的 D0 诱饵 FPR,优于重新训练的基线模型。在所有划分上,它在完整测试集的 EC 编号预测中均优于这些基线模型,同时在酶子集上的性能接近 CLEAN。它还正确注释了全部四个野生型酶,并拒绝了全部八个失活或近乎失活的变体。我们相信 DecoyOpt 在注释未表征蛋白及其变体方面具有潜力,可应用于基因组学、合成生物学和生物催化领域。

来源:bioRxiv · biorxiv.org