- 3 次围观
要发挥酶特异性的作用，必须深入理解酶的底物兼容性，因为后者决定了酶的催化范围；然而，对这一范围的测定目前仍在很大程度上依赖于劳动密集型分析方法。尽管数据驱动方法已被用于预测酶的催化范围，这些方法仍然面临诸如数据集受限，以及对酶结构信息与反应转化信息整合不足等挑战。在此，我们提出MAERM，这是一种用于预测酶—反应匹配关系的创新型混合注意力模型。MAERM构建于我们的MAERM-DB之上，该数据集广泛覆盖了经验证的催化与化学酶催化数据。MAERM利用局部—全局注意力模块，将多模态酶信息与细粒度反应表征进行整合，从而预测酶—反应匹配概率。结果表明，MAERM始终优于所有基线模型，平均F1分数达到0.984。值得注意的是，在与训练集序列一致性低于40%的具有挑战性的测试样本上，MAERM在F1分数上比排名第二的模型高出5.9%。此外，MAERM在Enzyme-405上取得了最高的top-10成功率51.7%，并在BioCat-547上获得了最高的平衡准确率0.697，进一步支持了其在酶筛选和化学酶催化中的泛化能力。最后，MAERM还可作为高效的评分模块使用。与ProteinMPNN集成后，MAERM已成功指导了两类羰基还原反应的新型酶设计，增强了其对天然底物的催化潜力，并展现出广泛的兼容性。总体而言，MAERM有望降低测定酶催化范围的实验成本，促进酶设计，并最终加速酶工程中的设计—构建—测试—学习循环。
siuwengin{at}gmail.com
摘要
信息/历史
指标
补充材料
数据/代码
预览 PDF
摘要
利用酶特异性需要全面理解酶的底物/反应广谱性，因为后者决定了酶的催化范围；然而，对这一范围的测定仍在很大程度上依赖于劳动密集型分析方法。尽管已出现数据驱动方法来预测酶的催化范围，这些方法仍持续面临诸如数据集受限，以及对酶结构信息与反应转化整合不足等挑战。持有人为作者/资助方，其已授予 bioRxiv 永久展示该预印本的许可。
本文依据
CC-BY-NC-ND 4.0 国际许可协议
进行发布。
返回顶部
上一篇
下一篇
发布于 2026 年 7 月 10 日。
下载 PDF
补充材料
数据/代码
电子邮件
感谢您有兴趣帮助传播 bioRxiv 上的文章。
您的电子邮箱
*
您的姓名
*
发送至
*
请输入多个地址（每行一个），或以逗号分隔。
您将要通过电子邮件发送以下内容
MAERM：利用混合注意力模型预测酶-反应匹配关系
邮件主题
（您的姓名）已从 bioRxiv 转发一个页面给您
邮件正文
（您的姓名）认为您可能希望查看 bioRxiv 网站上的此页面。
您的个人留言
验证码
此问题用于测试您是否为人类访客，并防止自动垃圾信息提交。
分享
MAERM：利用混合注意力模型预测酶-反应匹配关系
Tiantao
Liu
，
Silong
Zhai
，
Shaolong
Lin
，
Xinke
Zhan
，
Junwen
Deng
，
Huanxiang
Liu
，
Shirley Weng In
Siu
bioRxiv
2026.07.06.736902；
doi：
https://doi.org/10.64898/2026.07.06.736902
分享本文：
复制
引文工具
MAERM：利用混合注意力模型预测酶-反应匹配关系
Tiantao
Liu
，
Silong
Zhai
，
Shaolong
Lin
，
Xinke
Zhan
，
Junwen
Deng
，
Huanxiang
Liu
，
Shirley Weng In
Siu
bioRxiv
2026.07.06.736902；
doi：
https://doi.org/10.64898/2026.07.06.736902
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.07.06.736902v1?rss=1
🏷️ 酶-反应匹配 混合注意力模型 酶催化范围预测 多模态表征 酶工程 计算酶设计
来源出处
MAERM：利用混合注意力模型预测酶-反应匹配关系
https://www.biorxiv.org/content/10.64898/2026.07.06.736902v1?rss=1