多模态计算策略实现半乳糖氧化酶底物谱拓展与数据高效、高精度变体预测

《iScience》：Expanding the galactose oxidase substrate repertoire via a multi-modal computational strategy

　　

生物催化（biocatalysis）为化学过程提供更绿色的替代方案，但工业应用受制于酶工程（enzyme engineering）的高昂成本。在此，研究人员报告了一个多模态计算框架（multi-modal computational framework），其整合底物结合、蛋白质稳定性和聚集特征（aggregation traits）的协同描述符（descriptors）。以半乳糖氧化酶（galactose oxidase, GOase）为模型系统，该方法在仅用单一底物训练的情况下，在13种结构多样的仲醇（secondary alcohols）中识别活性变体的精确率为77%。通过实施基于序列保守性的过滤（sequence conservation-based filtering），研究人员证明训练数据可减少41%而不损害预测保真度。此外，多模态模型可泛化至组合突变体（combinatorial variants，2–5个突变），在有限文库上达到100%精确率。实验验证获得一组精选的起始点，用于合成高价值功能成分，包括光学增亮剂（optical brighteners）和香料稳定剂（fragrance stabilizers）。该多模态方法促进更具成本效益的酶工程，支持可持续化学制造的生物催化路线（biocatalytic routes）开发。

论文解读：

研究背景与问题：可持续化学制造需求推动生物燃料、食品加工和制药等领域采用更多酶催化过程。酶具有温和条件运行及化学、区域和立体选择性等环境友好优势，可减少废弃物、精简反应路径并整合多步级联，但工业应用仍受酶工程瓶颈制约：蛋白序列空间巨大、序列-结构-功能关系复杂、有益突变频率低，使传统定向进化（directed evolution，通过迭代突变和筛选优化酶的流程）低产且资源密集，限制生物催化剂对新底物和工艺需求的快速适配。已有计算策略可减少实验负担，但常仅依赖单模态数据，如氨基酸序列、底物结构或活性位点量子力学坐标，难以刻画酶适应度景观的多因素性；蛋白质语言模型（protein language models, PLMs，基于大规模蛋白序列训练的表征模型）虽预测能力较强，但数据需求大、计算成本高且可解释性有限，限制工业酶工程部署。因此，需要可扩展、数据高效并整合多决定因素的计算框架。半乳糖氧化酶是工业氧化生物催化剂，可利用大气氧进行可扩展醇氧化，已用于HIV药物islatravir生物催化合成及5-羟甲基糠醛（HMF）向2,5-二甲酰基呋喃转化等，故被选为模型。

研究开展与意义：研究人员报告了在模型生物催化剂半乳糖氧化酶上演示的多模态计算策略，并提供一组活性、稳定的半乳糖氧化酶变体作为工业部署的实用起始点。该策略整合底物结合、稳定性和聚集互补描述符，在13种结构多样仲醇中识别活性单突变体变体达到77%精确率，并提供用于高价值功能成分合成的变体panel。其意义在于简化初始候选选择并提供可行起始变体，降低工业采用生物催化进行可持续化学制造的早期开发障碍。

关键技术方法（≤250字）：以半乳糖氧化酶变体GOh1052为骨架，高通量筛选6,686个单突变体对1-苯基丁-1-醇（S152）的活性；构建含2–5个突变的组合突变体库，并建立44个单突变体×13种仲醇验证集。计算上采用Glide对接、YASARA/FoldX计算并分解ΔΔG_bind与ΔΔG_fold能量项，Tango/Waltz生成聚集特征，AutoGluon堆叠集成，SIFT过滤，ECFP余弦相似性分层，以MCC、精确率和召回率评价，SHAP解释特征，并进行50°C、30 min热挑战。样本来源为GOh1052单突变体数据集（本研究，Figshare公开）及基于GOh1052构建的组合突变体库；未涉及临床队列。

研究结果：

Unguided screening of mutagenesis libraries yield beneficial single-site mutations at 0.5% frequency（无引导筛选突变体库以0.5%频率获得有益单位点突变）：研究人员对GOh1052的352/665个残基构建6,686个单突变体并对S152筛选，约79%变体活性降低，仅31个变体（0.5%）活性至少提高1.2倍；73个变体的可溶表达与裂解液活性无显著相关（R²=0.02），表明表达水平不是该子集活性的主要决定因素，活性差异更可能反映催化效率、蛋白折叠和稳定性等因素组合。

Multi-modal enzyme descriptors improve prediction of high-performing galactose oxidase variants（多模态酶描述符改善高性能变体预测）：使用4折交叉验证划分75%训练和25%测试，将变体按相对GOh1052的倍数变化分为≥0.8倍（类别1，21%）、0.3–0.8倍（类别2，41%）和<0.3倍（类别3，38%）。56个特征包括21个结合、30个稳定性和5个聚集特征，经特征表示和模型架构优化，多模态方法达到75%总体准确率和60%的MCC（Matthews correlation coefficient，马修斯相关系数，综合分类性能指标），优于单模态消融；ESM-2仅用突变残基嵌入的基准MCC最高，为68%。SHAP（SHapley Additive exPlanations，沙普利加性解释，特征归因方法）显示基础模型特征重要性高度一致（84% Spearman秩相关），排名最高特征以结合能量学和酶稳定性项为主，包括静电、溶剂化和空间张力描述符。

Sequence conservation filtering enables 41% reduction in training data requirements（序列保守性过滤使训练数据需求减少41%）：在Shannon熵、距活性位点距离和SIFT（Sorting Intolerant From Tolerant，基于多序列比对预测氨基酸替换耐受性的算法）等过滤策略中，SIFT在减少训练负担和优先保留活性变体间平衡最佳；SIFT过滤模型总体MCC、准确率和F1较低，但类别1精确率和召回率相似。优化SIFT窗口使训练数据减少41%，并在非极性脂肪族、极性不带电、芳香族、负电荷酸性和正电荷碱性氨基酸类别中平均约4倍富集类别1变体；仍遗漏208个类别1变体，假阴性分布于低和高SIFT分数区域。在未见单突变体库中，43个优先类别1候选有34个确认，精确率79%，表明序列保守性引导可精简训练并将暴力筛选转向靶向、信息丰富的序列探索。

Generalization to out-of-distribution combinatorial mutants with 100% precision（对分布外组合突变体泛化达到100%精确率）：SIFT过滤多模态模型在针对八个活性/稳定性增强残基（I28R、T153KR、A195ST、N259T、N341W、K389I）的组合库上评估，该库含26个突变体、源自20个不同突变，其中10个见于单突变体训练数据、10个未见。实验验证2–5个突变的26个组合变体，模型识别活性类别1变体达到100%精确率；召回率仅11%，但这种严格预测行为对工业筛选流程有利。

Multi-modal modeling achieves 77% precision across chemically diverse secondary alcohol substrates（多模态建模在化学多样仲醇底物上达到77%精确率）：将SIFT过滤多模态模型用于44个GOh1052单突变体对13种仲醇的预测，并以ECFP（extended connectivity circular fingerprints，扩展连接圆形分子指纹）余弦相似性量化底物与S152的结构差异。尽管仅用单一底物训练，模型在扩展底物panel上平均准确率50%，预测性能大体独立于与训练底物的结构距离；类别1平均精确率73%、召回率42%，类别2和类别3精确率-召回率分别为37%–68%和54%–48%；对含大体积多烷基取代底物如tert-butyl（S148）和isopropyl（S155）侧链，精确率降至10%–33%。模型优先变体在13个底物中有6个找到最佳变体，仅2个变体显著优于预测（>0.1倍活性）；相较随机选择，活性最高提升371%，平均提升109%。热挑战（50°C、30 min）中，精选panel的8个变体有5个（63%）热耐受显著增强，残余活性78%–84%，高于亲本的56%。该panel为铁死亡相关疾病构建块（来自S120）、聚酰胺纤维光学增亮剂（来自S159）、消费品光活化剂（来自S128）和香料UV稳定剂等提供起始点。

讨论与结论翻译：讨论指出，该多模态框架整合结合、稳定性和聚集互补描述符，针对酶开发周期长的挑战；多模态模型在单突变体和底物转移设置中富集活性保留变体，性能优于单模态基线，支持酶适应度由结合、蛋白稳定性和聚集约束耦合决定的中心前提。结合相互作用特征较单一稳定性或聚集特征表现更高，更具跨系统泛化性；序列依赖特征与YASARA/FoldX稳定性特征结合增强适应性，FoldX和YASARA基于结构数据提供额外信息。56个描述符与集成堆叠可能增加过拟合风险，但验证折间指标标准差仅约±1%–2%，学习曲线随训练集增大而改善，未提供明确过拟合证据。类别1定义为≥0.8倍而非严格≥1.2倍，使阳性类较不稀疏、更可学习，精确率应解释为富集实验可用的活性保留变体而非仅活性增强变体。ESM-2基准在单底物分类上MCC高8%，但PLM嵌入描述蛋白序列而不编码底物身份，限制底物范围探索。SIFT过滤 workflow 体现实验负担与搜索空间覆盖权衡，宜作为第一轮富集而非确定性排除标准。底物转移结果支持在仲醇内的域内泛化，但对大体积多烷基取代精确率较低，提示当前特征未显式捕捉每个突变体-底物对的空间适配，未来可加入对接衍生的接触、冲突或构象质量特征。Limitations指出：底物范围仍限于仲醇，非通用泛化；组合突变体验证集有限、统计不确定性大，100%精确率不应视为确定性泛化性能；精选变体仅在实验室规模验证，工艺转化需评估过程相关底物浓度、溶剂体系、界面氧传质、酶载量和稳定性约束。研究结论部分翻译：研究人员预期，多模态策略以及AI赋能酶设计中的其他此类进展，将促进酶工程的持续进步，并有助于支持用于化学制造的可持续生物催化路线的开发。