酶适应度的双图解卷积：识别与解释催化调节因子的可解释框架

内容形式：摘要译文

基于蛋白质序列训练的模型能够预测突变效应，但其输出反映了不同表型的卷积。分离出独立于稳定性的活性效应，对于理性酶设计、变构药物设计和功能注释至关重要，然而，现有基于蛋白质语言模型（pLM）的解卷积方法缺乏可解释性。在此，我们提出一种混合框架，将稳定性预测模型与共进化概率图模型相结合。在所有具有可用多维深度突变扫描数据的酶上开展的基准测试表明，该框架能够分离出独立于稳定性的活性效应，其保真度与同类基于pLM的方法相当。更重要的是，我们揭示了具有生物物理合理性的信号传递路径，这些路径与已有认识一致，并且我们利用涵盖多种靶标的实验数据对其进行了验证。这种混合方法融合了统计学习与几何深度学习，形成了一种用于定向工程改造和机制发现的零样本、可解释工具。

关键词：酶适应度解卷积 · 蛋白质共进化 · 深度突变扫描 · 变构调控 · 可解释机器学习 · 几何深度学习

原文链接：https://www.biorxiv.org/content/10.64898/2026.10.15.759402v1?rss=1