《Proceedings of the National Academy of Sciences》：Leveraging latent space models for enzyme discovery and sampling
编辑推荐：
可用蛋白质序列数据的指数级增长拓宽了酶发现机遇，同时也凸显了序列与功能信息之间的显著鸿沟。系统发育树与序列相似性网络（SSN）等传统工具虽被广泛用于新型转化酶的采样，但在大型酶家族中存在固有局限：系统发育树在大体量比对下计算繁重且难以可视化；SSN对用户定义的
可用蛋白质序列数据的指数级增长拓宽了酶发现机遇，同时也凸显了序列与功能信息之间的显著鸿沟。系统发育树与序列相似性网络（SSN）等传统工具虽被广泛用于新型转化酶的采样，但在大型酶家族中存在固有局限：系统发育树在大体量比对下计算繁重且难以可视化；SSN对用户定义的比对分数阈值敏感，且基于成对比对无法捕捉残基间高阶互作，跨簇远端关系易丢失。研究人员针对这些限制，优化了一种基于变分自编码器（VAE）的隐空间模型，将蛋白质序列映射至连续可解释的低位空间。通过在模拟数据集及环化酶、黄酶依赖单加氧酶（FDMO）等真实酶家族上训练，该模型在保留系统发育关系的同时实现了功能各异酶的高分辨聚类，优于传统SSN对局部与全局关系的刻画。借助隐空间连续性，研究人员发现了多个未表征FDMO可催化氧化脱芳构化与脱羧羟基化，证明低维隐空间可作为酶发现的有力工具，通过插值与外推引导新型生物催化酶的采样。
研究背景方面，UniProtKB等数据库中蛋白质序列已超2亿条，但仅约0.22%经人工注释，序列-功能鸿沟持续扩大。传统系统发育树依赖多序列比对（MSA）与替代模型，在大样本中计算昂贵、可视化困难；序列相似性网络（SSN）经EFI-EST构建，依赖用户设定比对分数（AS）定义“等功”簇，阈值选择主观，且仅基于成对同一性、忽略残基高阶关联，分离簇间关系完全丢失。表示学习中的变分自编码器（VAE）可将序列编码为连续低维隐变量，捕捉残基上位性互作，其二维隐空间已被证实可保留系统发育结构，但浅层单隐藏层架构呈星状分布、簇内区分不足。为此，研究人员在《Proceedings of the National Academy of Sciences》发表该研究，旨在构建优化的VAE隐空间模型，作为系统发育树与SSN的替代工具用于大酶家族的序列-功能可视化与新酶采样。
主要关键技术方法包括：基于LG替代模型模拟生成万条百残基祖先-现存序列数据集以获系统发育真值；采用含两隐藏层编码器-解码器的VAE将蛋白序列嵌入二维连续空间，以重构损失耦合训练；在真实家族中从NCBI非冗余RefSeq以PFAM隐马尔可夫模型（HMM）检索环化酶（PF05147，约1.1万条）与UniRef90中约3.4万条FDMO（PF01494）做五折交叉验证训练；以调整互信息（AMI）比对隐空间聚类、SSN聚类与系统发育树聚类的吻合度；下游用随机森林等分类器以隐空间向量预测环化酶类别；利用隐空间欧氏距离沿几何路径采样未表征FDMO并实验验证催化选择性。
研究结果部分，“利用模拟蛋白序列数据集优化隐空间模型”中，研究人员将单隐藏层与双隐藏层VAE在8000条模拟序列训练，双隐藏层AMI达0.77（单层的0.70），且支持更高分辨聚类；SSN最高AMI约0.8但簇间无连接边，隐空间则经祖先回溯保持连续。“在独特环化酶-羊毛硫肽数据集上测试隐空间模型”中，对PF05147环化酶建二维隐空间，四类（Class I–IV）空间分域；以RODEO预测肽底物作功能标签，随机森林分类MCC达0.95，二维隐空间表现持平或优于ESM-1b、ProtT5-XL等蛋白语言模型（PLM）；隐空间聚类与功能标注AMI为0.81/0.76/0.92（I/II/IV类），显著高于SSN的0.31–0.69；等高线显示功能关系呈中心重叠的刺状分布。“隐空间模型指导发现新型FDMO”中，对约3.4万FDMO训四隐藏层VAE，11个祖先聚类AMI 0.72–0.79，祖先间欧氏距与演化距Pearson相关系数0.78。“隐空间引导发现脱羧羟化新型FDMO”中，沿TropB至AtA/NahG径向路径采样10个未表征酶，其中FDMO1/3近TropB催化氧化脱芳构化（C3位羟化），FDMO4为首个沿路径出现脱羧羟化（C1位羟化）者，FDMO5/9及AtA同源体均行脱羧羟化；从TropB到NahG底物由间苯二酚醛类转向水杨酸类，位点选择性由C3转C1，证实隐空间连续性可预测功能过渡。
讨论与结论部分总结：研究人员指出，优化VAE隐空间模型以连续性、可解释二维映射克服系统发育树与SSN在大规模酶家族中的计算与阈值局限，同时捕捉残基高阶互作。该模型在环化酶与FDMO家族中均证实可同时按系统发育与功能相似聚类，借隐空间插值/外推成功发掘未表征FDMO的新选择性。结论译文如下：综上，本研究开发的隐空间模型代表了传统系统发育分析与SSN在酶发现中的替代方案，提供了探索庞大序列-功能空间的连续可解释图谱。通过捕捉局部与全局序列关系，该模型实现对近缘酶的高分辨聚类，促进酶家族内新功能的发现。在环化酶与FDMO上的应用凸显其相对SSN的优势——可靠按系统发育与功能双重相似分组，隐空间连续性允许与演化模式一致的直观采样策略，为导航未表征酶序列空间提供强工具。该模型有望跨多酶类应用，加速生物催化剂发现与开发。
