机器学习越来越多地用于鉴定塑料降解酶（plastizymes），但关于不同的蛋白质和聚合物表示如何影响预测性能、泛化能力和计算成本的系统评估仍然缺乏。在此，我们使用一个涵盖七个聚合物家族的 720 个酶 - 聚合物相互作用的精心策划数据集，系统地评估了蛋白质 - 聚合物表示策略。手工设计和学习的蛋白质及聚合物表示（包括基于 Transformer 的嵌入、图表示、分子描述符、分子指纹和聚合物语言模型嵌入）被单独评估并以多模态组合形式进行评估。使用随机、MMseqs2 序列聚类以及留一聚合物家族出分割对模型进行评估，以量化分布内性能和分布外泛化能力。在随机分割下，几种多模态模型达到了优异的预测性能（AUROC > 0.95），其中基于 Transformer 的蛋白质嵌入始终优于传统表示。在序列聚类和基于聚合物家族的评估下，性能大幅下降，突显了向远缘酶和先前未见的聚合物类别泛化的难度。结合聚合物表示始终能提高预测性能，特别是对于基于序列和描述符的蛋白质模型，而多模态组合在最具挑战性的评估设置下提供了最大的益处。消融和 SHAP 分析表明，随着模型复杂度的增加，对学习的蛋白质和聚合物嵌入的依赖程度不断增加。进一步的定量成本效益分析表明，传统聚合物描述符在预测性能、模型可靠性和计算效率之间提供了最佳平衡，而越来越复杂的学习聚合物表示仅带来适度的额外收益。总体而言，本研究为评估蛋白质和聚合物表示提供了一个实用框架，并为开发更稳健、泛化性更强且计算效率更高的酶 - 聚合物相互作用预测机器学习模型提供了指导。
