基于预训练蛋白表征与贝叶斯超参数优化的无监督学习模型预测混杂酶底物谱

《ACS Omega》:A Novel Unsupervised Learning Model with Bayesian Hyperparameter Optimization for Predicting Substrates of Promiscuous Enzymes

【字体: 大 中 小 】 时间:2026年08月28日 来源:ACS Omega 5.2

编辑推荐:

  混杂酶可催化多种生化反应,但预测其底物谱仍具挑战,原因在于注释不完整、可靠负标签稀缺且酶-底物关系天然为多标签。研究人员提出PreSEPM(Predictive Substrate Explorer for Promiscuous Enzymes),一种仅依赖

  
混杂酶可催化多种生化反应,但预测其底物谱仍具挑战,原因在于注释不完整、可靠负标签稀缺且酶-底物关系天然为多标签。研究人员提出PreSEPM(Predictive Substrate Explorer for Promiscuous Enzymes),一种仅依赖序列的闭集框架,融合预训练蛋白表征、高斯混合建模(Gaussian mixture modeling, GMM)、簇-底物对齐与决策阈值的贝叶斯优化(Bayesian optimization)。PreSEPM在预定义底物面板内运行,无需显式底物或结构描述符。在UniProt衍生的三酰甘油脂肪酶数据集上,PreSEPM取得AUROC 0.86、AUPRC 0.73与最大F1 0.71,优于所评估的传统机器学习基线。在独立高通量脂肪酶筛选中,酶水平交叉验证下PreSEPM亦优于强单任务逻辑回归基线,Macro-AUPRC由0.65升至0.68,F1 max由0.63升至0.69;跨数据集设定下SMOTE增强使AUPRC由0.62升至0.70。结果表明,在注释稀疏且缺乏结构或配体级信息时,PreSEPM可作为混杂酶家族内底物谱补全与实验优先级排序的有用序列基线。
研究背景方面,混杂酶因能作用于多种底物而在工业生物催化、药物合成、农业、诊断与环境修复中具有重要价值。然而酶-底物相互作用预测面临三大瓶颈:实验验证成本高导致高质量标注数据稀缺;文献偏倚使负样本不可靠;现有监督模型假设标签平衡全面,难以适配多标签、低覆盖的混杂酶场景。传统BLAST类序列方法表达力有限,深度学习模型又受限于负样本质量而泛化差。因此,在结构或配体信息缺失时,亟需一种不依赖完整负标签、能从氨基酸序列直接推断底物活性的数据高效框架。研究人员据此开展本研究,发表于《ACS Omega》,提出PreSEPM以解决稀疏标注下三酰甘油脂肪酶(EC 3.1.1.3)底物谱补全问题。
关键技术方法上,研究人员构建两类样本队列:一是从UniProt按EC号检索的3640条三酰甘油脂肪酶序列及102个注释底物构成的闭集正-未标记矩阵,按酶水平1:1划分训练与测试;二是文献报道的147酶×89底物高通量脂肪酶筛选集(3092个阳性对,无活性对作实验阴性)。特征端采用ESM-2(蛋白质语言模型)提取1280维序列嵌入,经PCA降至100维(保留98.7%方差);聚类端以高斯混合模型(GMM)拟合酶嵌入后验,组件数固定为预定义底物数;对齐端用匈牙利算法将隐簇与底物标签一一匹配;决策端以贝叶斯优化(skopt)调谐各底物特异性概率阈值;跨域增强采用SMOTE在ESM-2空间对少数底物类插值。
研究结果部分,3.1节在UniProt集上,ESM-2表征最优,PreSEPM达AUROC 0.86、AUPRC 0.73、F1 max 0.71,超越SVM/KNN/MLP;预测量-阳性比(prediction-to-positive ratio)为2时测试recall趋稳,过量预测引入噪声。3.2节跨数据集验证显示,文献高通量集上AUPRC降至0.62,训练与验证recall曲线几乎重合且偏低,属分布偏移导致的欠拟合;GMM假设多元高斯,而实验集嵌入分布偏离正态是主因。3.3节SMOTE增强使跨集AUPRC回升至0.70,通过在嵌入空间插值使少数类分布更连续、更接近高斯,提升GMM适配性。3.4节以酶水平5折CV对比CLEAN、FusionESP、DeepGOSE、PFresGO、BLASTp及单任务逻辑回归;低覆盖(特异性)区CLEAN/DeepGOSE精度占优,高覆盖(混杂性)区PreSEPM recall最高,top-k精度衰减最慢(k≥15反超),且Macro-AUPRC 0.68、F1 max 0.69优于逻辑回归基线。3.5节定性案例中,PreSEPM对J4U4Z0预测的三酰甘油类底物与Kurat等实验吻合,对P38139预测的磷脂酰丝氨酸底物与Baxter等脂质组学建模一致;WebLogo显示新预测阳性酶均含丝氨酸水解酶G-X-S-A-G motif,且底物A富集Glu、底物B富集Ala,与头部基团极性相符。
讨论与结论翻译:研究人员指出,PreSEPM并非替代结构或配体感知模型,而是在标注不全时提供数据高效的序列基线,定位为闭集底物谱补全而非开放化学空间零样本发现。跨数据集性能下降被明确视为局限而非鲁棒证据,未来方向包括显式建模分布偏移、引入结构/配体描述符的多模态扩展。结论上,该框架通过无监督表征、概率聚类与贝叶斯阈值调谐,在三酰甘油脂肪酶家族内以序列-only方式实现优于传统监督基线的多标签底物预测,能降低高通量筛选成本并加速混杂酶-底物关系发掘。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号