EnzOracle：基于分类引导混合专家框架的机制感知酶环境适应性预测

工业生物催化日益需要能够在极端理化条件下运行的酶，然而大多数天然序列数据反映的是对温和环境的适应，导致传统预测模型在嗜极条件范围内易受回归均值效应的影响。在此，我们提出EnzOracle，这是一种分类引导的混合专家框架，可实现对酶熔解温度（Tm）、最适催化温度（Topt）和最适pH（pHopt）的分布感知预测，并且可直接基于序列进行推断。EnzOracle在多种基准测试中展现出稳健的预测精度，Tm、Topt和pHopt的RMSE分别达到5.245、11.458和0.781。 除预测精度之外，我们还提出了一种性状分辨的分子模拟策略，用以评估EnzOracle所得归因模式是否对应于相互独立的物理机制。在代表性体系中，注意力热点分别映射到赋予Tm的刚性相互作用网络、赋予Topt的动态预组织活性位点构象集合，以及赋予pHopt的pH依赖性静电与水合网络。这些正交验证表明，EnzOracle捕捉到的是酶环境适应中可迁移的生物物理学原理，而非仅仅利用数据集特异性的相关性，从而使基于序列的学习成为一种具有机制认知能力的框架，可用于在多样化催化图景中发现稳定性与活性决定因素。

工业生物催化日益需要能够在极端理化条件下运行的酶，然而大多数天然序列数据反映的是对温和环境的适应，这导致传统预测模型在嗜极生物适应区间中容易受到回归到均值效应的影响。在此，我们提出 EnzOracle，这是一种分类引导的混合专家框架，可直接基于序列实现对酶熔解温度（Tm）、最适催化温度（Topt）和最适 pH（pHopt）的分布感知预测。EnzOracle 在多种基准测试中表现出稳健的预测准确性，Tm、Topt 和 pHopt 的均方根误差（RMSE）分别达到 5.245、11.458 和 0.781。

除预测准确性之外，我们进一步提出了一种性状解析的分子模拟策略，用于评估 EnzOracle 所得到的归因模式是否对应于独立的物理机制。在具有代表性的体系中，注意力热点分别映射到赋予 Tm 的刚性相互作用网络、赋予 Topt 的动态预组织活性位点构象集合，以及赋予 pHopt 的 pH 依赖性静电与水合网络。这些正交验证表明，EnzOracle 捕捉到的是酶环境适应中可迁移的生物物理学原理，而非仅仅利用数据集特异性的相关性，从而将基于序列的学习定位为一种具有机制感知能力的框架，用于在多样化催化图景中发现稳定性与活性决定因素。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.02.729708v1?rss=1

🏷️ 酶环境适应性 混合专家模型 序列预测 酶熔解温度 最适催化温度 分子模拟