DeltaCata：基于孪生几何图神经网络的酶突变动力学参数变化预测模型及其工程应用

《Nature Communications》：Effective enzyme engineering through modeling kinetic parameter changes upon mutations with geometric deep learning

　　

摘要

量化酶在突变后其动力学参数的变化对于加速酶的进化至关重要。现有的方法主要侧重于预测动力学参数的绝对值（转化数 k_cat 和米氏常数 K_m），但它们无法准确捕捉突变效应。据我们所知，由于缺乏相关训练数据，目前还没有任何方法能够直接模拟突变对动力学参数（Δk_cat 和 ΔK_m）的影响。此外，这些方法也没有充分利用蛋白质的结构信息。在这里，我们通过结合语言模型辅助解析和人工验证的半自动流程，将野生型与突变型在相同实验条件下测得的动力学参数进行配对，从而建立了一个高质量的酶突变效应数据集。利用该数据集，我们开发了 DeltaCata——一个基于孪生几何图神经网络的创新模型，能够直接预测残基替换引起的动力学参数变化。与现有方法相比，DeltaCata 在性能上取得了显著提升，尤其是在处理训练集中未出现过的酶时。其有效性还通过使用深度突变扫描数据集进行的计算机模拟实验得到了进一步验证。最后，我们应用 DeltaCata 对甲基转移酶 sGmOMT2 进行了改造，使其在体外合成 icaritin 的催化效率提高了 7.0 倍。这些结果表明 DeltaCata 在工业酶工程领域具有巨大的潜力。