CatESO：底物感知 kcat 预测引导的可微酶序列优化

酶驱动着生物化学过程，并为化学品、材料和药物的制备提供了更绿色的途径，然而，其作为生物催化剂的更广泛应用常常受限于催化周转不足。 提高周转效率具有挑战性：可测得的速率常数较为稀缺，而蛋白质序列空间却极其庞大。深度学习模型如今能够以不断提高的准确性预测周转数 Kcat，但它们通常是在序列生成之后才被用于对候选序列进行评分或筛选，这使动力学目标与设计过程本身相互分离。为弥合序列生成与动力学评估之间的鸿沟，我们提出了 CatESO，这是一种可微分的序列优化器，能够实现底物特异性催化周转的直接、梯度引导设计。CatESO 通过在连续序列松弛条件下对跨模态 Kcat 预测器进行反向传播，在单一端到端框架中协同优化预测催化活性、进化合理性和结构完整性，并利用 ESM-2 和 ESMFold 使设计结果在进化上合理且可折叠。 在涵盖 EC 1–7 类的七种严格分布外酶上，CatESO 提高了绝大多数设计的模型预测 Kcat，其中预测倍数变化的中位数为 1.52，同时每个变体的 pLDDT 均保持在 70 以上。与 RFdiffusion3-LigandMPNN 流水线和 ZymCtrl 相比，CatESO 在预测活性与结构置信度之间实现了更优的平衡。通过使底物条件化的动力学目标可微分，CatESO 将可微分蛋白质设计从以结构和结合为中心的目标推进到酶催化功能，为面向功能的酶工程提供了一条通用途径。

酶驱动着生物化学过程，并为化学品、材料和药物的制备提供了更为绿色的途径；然而，作为生物催化剂，其更广泛的应用往往受限于催化周转不足。

提高周转率颇具挑战：已测得的速率常数十分稀缺，而蛋白质序列空间又极其庞大。深度学习模型如今能够以不断提高的准确性预测周转数 Kcat，但这类模型通常是在序列生成之后才被用于对候选序列进行评分或筛选，从而使动力学目标与设计过程本身相分离。

为弥合序列生成与动力学评估之间的鸿沟，我们提出了 CatESO，这是一种可微分序列优化器，能够实现底物特异性催化周转的直接、梯度引导式设计。CatESO 通过在连续序列松弛条件下对跨模态 Kcat 预测器进行反向传播，在单一端到端框架中协同优化预测催化活性、进化合理性和结构完整性，并利用 ESM-2 和 ESMFold 使设计结果在进化上合理且可折叠。

在涵盖 EC 1–7 类的七种严格分布外酶上，CatESO 提高了绝大多数设计的模型预测 Kcat，中位预测倍数变化达到 1.52，同时每个变体的 pLDDT 均保持在 70 以上。与 RFdiffusion3-LigandMPNN 流水线和 ZymCtrl 相比，CatESO 在预测活性与结构置信度之间实现了更优的平衡。

通过使底物条件化的动力学目标可微分，CatESO 将可微分蛋白质设计从以结构和结合为中心的目标推进到酶催化功能层面，为面向功能的酶工程提供了一条通用途径。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.07.04.736506v1?rss=1

🏷️ 酶工程 Kcat预测 可微分蛋白设计 底物特异性 深度学习