AUKAT: 条件变分自编码器驱动的酶周转数增强与神经建模

《Biomolecules》：AUKAT: Conditional VAE-Driven Augmentation and Neural Modeling of Enzyme Turnover Numbers

　　

准确预测酶周转数（k_cat）对于系统生物学、代谢工程和药物发现中的应用至关重要，但由于实验数据的有限可用性和不均匀分布，仍然具有挑战性。在此，研究人员提出AUKAT，一个集成框架，该框架结合条件生成建模与深度神经预测以提高k_cat估计。条件变分自编码器（CVAE）在嵌入空间中生成合成训练实例，然后通过一个选择管道，保留那些在独立评估者之间具有高度一致性的样本，从而确保数据可靠性。随后使用混合卷积神经网络（CNN）和基于Transformer的架构，从底物、酶功能和物种嵌入中预测k_cat。纳入合成数据提高了随机森林（RF）和神经网络模型在五折交叉验证中的预测性能，其中神经网络架构的增益更大。与DLKcat的基准测试表明，在标准测试集上具有相当的预测准确性，而在更严格的未见子集上的评估显示，对于低相似度的底物和酶，泛化能力有所提高。特征重要性分析进一步表明，AUKAT以更平衡的方式利用底物、酶功能和物种信息，而不是主要依赖单一特征源。此外，AUKAT-human，一个使用预训练和微调策略训练的专门模型，实现了对人类酶动力学的预测精度提高。总体而言，AUKAT提供了一种可扩展的酶动力学预测方法，并为生化建模中的数据稀缺问题提供了实用解决方案。

论文解读

**研究背景与问题**

酶周转数（k_cat）是描述酶在饱和底物条件下最大催化速率的基本动力学参数，对系统生物学、代谢工程和药物发现中的代谢建模、路径瓶颈识别和靶点评估至关重要。然而，实验测定k_cat成本高、耗时且对检测条件敏感，导致已测序基因组中仅极少数酶有实验数据，且数据在物种和酶学委员会（EC）类别中分布极不均匀，偏向细菌和模式生物。这种稀疏、不平衡且含噪声的数据集严重限制了机器学习模型预测k_cat的性能和泛化能力。现有方法如DLKcat、TurNuP、CatPred等虽取得进展，但仍受限于数据覆盖不足、对训练相似性的依赖以及过度依赖酶序列特征，例如DLKcat在突变酶和不熟悉酶家族上的预测不可靠。因此，需要更有效的数据扩展方法和能整合多种生化信号的预测模型。

**研究内容与结论**

为应对上述挑战，研究人员开发了AUKAT，一个集成框架，结合条件变分自编码器（CVAE）驱动的合成数据生成、一致性筛选和混合CNN-Transformer神经预测。该工作首先通过CVAE在嵌入空间生成合成物种嵌入，并利用软k近邻（soft kNN）和随机森林（RF）评估者的一致性筛选，只保留高质量合成实例。然后，采用一维卷积（Conv1D）和Transformer编码器组成的神经网络预测k_cat。在五折交叉验证中，合成数据显著提升了RF和AUKAT的预测性能，AUKAT的Pearson相关系数r从0.764提升至0.806，R²从0.576提升至0.645，均方根误差（RMSE）从0.899降至0.823。与DLKcat在标准基准集上的比较显示，AUKAT获得r=0.72、R²=0.50、RMSE=1.01，优于DLKcat（r=0.67、R²=0.38、RMSE=1.13）。特征重要性分析表明，AUKAT均衡利用底物、EC号和物种信息，而DLKcat过度依赖酶序列。在BRENDA数据库构建的独立未见数据集上，AUKAT在未见底物、未见EC号和未见物种子集上均表现出稳健泛化，尤其在未见EC号子集中，R²从-0.09提升至0.05。此外，通过预训练-微调策略开发的AUKAT-human模型，在人类酶测试集上达到r=0.829、R²=0.680、RMSE=0.780，优于基线模型。该研究为酶动力学预测提供了可扩展、可泛化的策略，论文发表在《Biomolecules》。

**主要技术方法**

AUKAT采用以下关键技术：1）基于条件变分自编码器（CVAE）的嵌入级数据增强，在底物（Mol2Vec嵌入，300维）和EC号（EC2Vec嵌入，1024维）条件向量下生成物种嵌入（Node2Vec嵌入，128维）；2）合成实例筛选管道，通过随机森林（RF）预测值与软k近邻（soft kNN）标签的一致性过滤，仅保留可靠样本；3）混合卷积神经网络（CNN）与Transformer架构，其中Conv1D捕获局部特征模式，Transformer建模长距离依赖；4）预训练-微调策略用于构建物种特异性模型（AUKAT-human）。数据来源为SABIO-RK、BRENDA等数据库，最终整理出6936个高质量底物-EC-物种实例用于训练，DLKcat基准数据集和BRENDA独立未见数据集用于评估。

**研究结果**

**3.1 合成实例筛选管道的性能与行为**：通过十次独立实验，RF基线在迭代增强轮次中测试RMSE持续下降，最终收敛至0.823±0.012。保留的合成实例（"good"）相比舍弃的（"bad"）具有显著更低的标签不确定性（t检验p=2.07×10^-114，Mann–Whitney U检验和Kolmogorov–Smirnov检验p=0.0）。Gini系数从第1轮的0.518降至第6轮的0.237，表明合成样本分配逐渐平衡，约92%的原始实例生成了至少3个合成样本。

**3.2 通用模型性能评估**：五折交叉验证显示，AUKAT在结合合成数据后性能提升最大（r从0.764增至0.806，R²从0.576增至0.645，RMSE从0.899降至0.823）。与DLKcat在标准基准集比较，AUKAT的r=0.72、R²=0.50、RMSE=1.01，优于DLKcat的r=0.67、R²=0.38、RMSE=1.13。特征扰动重要性（FPI）和块级SHAP分析表明，AUKAT的EC号贡献40.3%、底物35.3%、物种24.3%，而DLKcat的酶序列贡献73.3%、底物仅26.7%。在BRENDA未见数据上，AUKAT在未见EC号子集上R²从-0.09提升至0.05，在未见物种子集上r从0.479提升至0.538。在严格BRENDA未见子集（与DLKcat训练集相比低相似度）上，AUKAT在未见酶子集上r=0.36、R²=-0.29、RMSE=1.04，明显优于DLKcat（r=0.06、R²=-2.26、RMSE=1.65）。

**3.3 AUKAT-human性能评估**：通过预训练-微调策略，AUKAT-human在人类测试集上达到r=0.829、R²=0.680、RMSE=0.780，相比基线模型（未使用人类适应性训练）r提高2.0%，R²提高3.7%，RMSE降低4.4%。

**3.4 基于产物表示的稳健性**：使用产物-EC-物种嵌入的模型表现出与底物模型一致的趋势，表明框架对不同生化表示具有稳健性。

**讨论与结论**

讨论部分指出，CVAE在嵌入空间生成合成数据避免了序列级增强的偏差，而筛选管道确保实例质量。混合CNN-Transformer架构有效整合异质生化信息。特征重要性分析揭示AUKAT均衡利用多源信息，这与DLKcat过度依赖序列形成对比，解释了AUKAT在低相似度条件下的更好泛化。AUKAT-human展示了多物种预训练后微调的优势。局限性包括：合成数据在嵌入空间而非序列空间生成，无法直接对应物理反应；依赖固定预训练嵌入。未来可探索联合表示学习、整合更大数据库和结构特征。研究结论：AUKAT通过CVAE数据增强、一致性筛选和CNN-Transformer建模，扩展了有限生化数据集，提升了预测性能，在未见数据上表现稳健，且可通过微调适应物种特异性任务，为酶动力学预测提供了可扩展、可泛化的策略。