ThermoFusion：一种用于酶热稳定性泛化预测的多模态深度学习框架

内容形式：摘要译文

蛋白质热稳定性是工业和生物医学领域酶应用中的关键性质，但实验评估突变引起的稳定性变化仍然耗时且成本高昂。在此，我们提出 ThermoFusion，这是一种混合深度学习框架，整合了 ThermoMPNN 提供的蛋白质三维结构嵌入与预训练蛋白质语言模型 ESM2 提供的序列嵌入，用于预测单点突变对蛋白质稳定性的影响（{Delta}{Delta}G）。ThermoFusion 具有稳健的泛化能力，即使面对与训练集序列同一性较低、分布外的序列，仍能保持较高的预测准确性；在这种情况下，许多其他机器学习模型（包括 ThermoMPNN 和最先进的工具）因依赖记忆训练数据而表现不佳。基于一个经整理的酶数据集进行基准测试，该数据集包含 105 种酶和 3144 个突变，结果表明，ThermoFusion 能够可靠地识别可提高稳定性的突变，并准确预测训练集之外酶的稳定性。这些结果表明，ThermoFusion 是一种强大的工具，可用于对训练集之外的酶进行理性设计。

关键词：酶热稳定性 · 蛋白质突变效应 · 多模态深度学习 · 蛋白质结构嵌入 · 酶理性设计

原文链接：https://www.biorxiv.org/content/10.64898/2026.07.04.736494v1?rss=1