論文の概要: OmniESI: A unified framework for enzyme-substrate interaction prediction with progressive conditional deep learning

• arxiv url: http://arxiv.org/abs/2506.17963v1
• Date: Sun, 22 Jun 2025 09:40:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 19:06:36.672631
• Title: OmniESI: A unified framework for enzyme-substrate interaction prediction with progressive conditional deep learning
• Title（参考訳）: OmniESI:プログレッシブ条件付き深層学習による酵素-基質相互作用予測のための統合フレームワーク
• Authors: Zhiwei Nie, Hongyu Zhang, Hao Jiang, Yutian Liu, Xiansong Huang, Fan Xu, Jie Fu, Zhixiang Ren, Yonghong Tian, Wen-Bin Zhang, Jie Chen,
• Abstract要約: 条件付き深層学習による酵素-基質相互作用予測のための2段階プログレッシブフレームワークであるOmniESIを導入する。 我々は,OmniESIが最先端の特殊手法よりも優れた性能を実現していることを示す。 全体として、OmniESIは酵素-基質相互作用の統一的な予測手法である。
• 参考スコア（独自算出の注目度）: 46.402707495664174
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Understanding and modeling enzyme-substrate interactions is crucial for catalytic mechanism research, enzyme engineering, and metabolic engineering. Although a large number of predictive methods have emerged, they do not incorporate prior knowledge of enzyme catalysis to rationally modulate general protein-molecule features that are misaligned with catalytic patterns. To address this issue, we introduce a two-stage progressive framework, OmniESI, for enzyme-substrate interaction prediction through conditional deep learning. By decomposing the modeling of enzyme-substrate interactions into a two-stage progressive process, OmniESI incorporates two conditional networks that respectively emphasize enzymatic reaction specificity and crucial catalysis-related interactions, facilitating a gradual feature modulation in the latent space from general protein-molecule domain to catalysis-aware domain. On top of this unified architecture, OmniESI can adapt to a variety of downstream tasks, including enzyme kinetic parameter prediction, enzyme-substrate pairing prediction, enzyme mutational effect prediction, and enzymatic active site annotation. Under the multi-perspective performance evaluation of in-distribution and out-of-distribution settings, OmniESI consistently delivered superior performance than state-of-the-art specialized methods across seven benchmarks. More importantly, the proposed conditional networks were shown to internalize the fundamental patterns of catalytic efficiency while significantly improving prediction performance, with only negligible parameter increases (0.16%), as demonstrated by ablation studies on key components. Overall, OmniESI represents a unified predictive approach for enzyme-substrate interactions, providing an effective tool for catalytic mechanism cracking and enzyme engineering with strong generalization and broad applicability.
• Abstract（参考訳）: 酵素-基質相互作用の理解とモデリングは触媒機構の研究、酵素工学、代謝工学において重要である。 多くの予測法が登場したが、触媒のパターンと一致しない一般的なタンパク質分子の特徴を合理的に調節するために、酵素触媒の事前知識は組み込まれていない。 この問題に対処するために,条件付き深層学習による酵素-基質相互作用予測のための2段階プログレッシブフレームワークOmniESIを導入する。 酵素-基質相互作用のモデリングを2段階のプログレッシブなプロセスに分解することにより、OmniESIは酵素反応特異性と決定的触媒関連相互作用を強調する2つの条件付きネットワークを組み込み、一般のタンパク質-分子ドメインから触媒-認識ドメインへの潜伏領域における段階的特徴変調を容易にする。 この統合アーキテクチャに加えて、OmniESIは、酵素の反応パラメータ予測、酵素と基質のペアリング予測、酵素の突然変異効果予測、酵素の活性部位アノテーションなど、さまざまな下流タスクに適応することができる。 OmniESIは、分散処理とアウト・オブ・ディストリビューション設定のマルチパースペクティブな性能評価の下で、7つのベンチマークで最先端の特殊メソッドよりも優れたパフォーマンスを継続的に提供した。 さらに, 提案した条件付きネットワークは, 触媒効率の基本パターンを内部化し, 予測性能を著しく向上させるとともに, パラメータが0.16%だけ増加し, 鍵成分のアブレーション研究で実証された。 全体として、OmniESIは酵素-基質相互作用の統一的な予測手法であり、触媒機構のひび割れと酵素工学に強力な一般化と幅広い応用性を持つ効果的なツールを提供する。

関連論文リスト

• KEPLA: A Knowledge-Enhanced Deep Learning Framework for Accurate Protein-Ligand Binding Affinity Prediction [60.23701115249195]
  我々は遺伝子オントロジーとタンパク質の性質から事前知識を統合する新しいディープラーニングフレームワークKEPLAを提案する。 2つのベンチマークデータセットの実験では、KEPLAは一貫して最先端のベースラインを上回っている。 さらに、知識グラフ関係と横断的注意マップに基づく解釈可能性分析は、基礎となる予測メカニズムに関する貴重な洞察を提供する。
  論文  参考訳（メタデータ） (2025-06-16T08:02:42Z)
• Docking-Aware Attention: Dynamic Protein Representations through Molecular Context Integration [22.154465616964263]
  動的にコンテキスト依存的なタンパク質表現を生成する新しいアーキテクチャであるDocking-Aware Attention (DAA)を提案する。 本手法は,従来の最先端手法よりも優れた酵素反応予測法である。
  論文  参考訳（メタデータ） (2025-02-03T15:52:38Z)
• Reaction-conditioned De Novo Enzyme Design with GENzyme [64.14088142258498]
  textscGENzymeは、触媒反応を入力として、触媒ポケット、全酵素構造、酵素-基質結合複合体を生成する、テクスチドノボ酵素設計モデルである。 textscGENzymeは,(1)触媒ポケット生成および配列共設計モジュール,(2)ポケット塗布および酵素逆折り畳みモジュール,(3)酵素-基質複合体の最適化と予測のための結合およびスクリーニングモジュールを統合した,エンド・ツー・エンドの3段階モデルである。
  論文  参考訳（メタデータ） (2024-11-10T00:37:26Z)
• Retrieval-Enhanced Mutation Mastery: Augmenting Zero-Shot Prediction of Protein Language Model [3.4494754789770186]
  タンパク質モデリングの深層学習法は従来の手法に比べて低コストで優れた結果を示した。 突然変異効果予測において、事前学習されたディープラーニングモデルの鍵は、タンパク質配列、構造、機能の間の複雑な関係を正確に解釈することにある。 本研究では,配列と局所構造相互作用から自然特性を包括的に解析する検索強化タンパク質言語モデルを提案する。
  論文  参考訳（メタデータ） (2024-10-28T15:28:51Z)
• EnzymeFlow: Generating Reaction-specific Enzyme Catalytic Pockets through Flow Matching and Co-Evolutionary Dynamics [51.47520281819253]
  酵素設計はバイオテクノロジーにおいて重要な領域であり、医薬品開発から合成生物学まで幅広い応用がある。 酵素機能予測やタンパク質結合ポケット設計の伝統的な手法は、しばしば酵素-基質相互作用の動的および複雑な性質を捉えるのに不足する。 本稿では, 触媒ポケットを生成するために, 階層的事前学習と酵素-反応共進化を用いたフローマッチングを用いた生成モデルであるEnzymeFlowを紹介する。
  論文  参考訳（メタデータ） (2024-10-01T02:04:01Z)
• Autoregressive Enzyme Function Prediction with Multi-scale Multi-modality Fusion [11.278610817877578]
  MAPredは、タンパク質のEC数を自動回帰予測するために設計された、新しいマルチモダリティおよびマルチスケールモデルである。 MAPredは、タンパク質の一次アミノ酸配列と3Dトークンの両方を統合し、包括的なタンパク質の特徴を捉えるために二重経路アプローチを用いる。 New-392、Price、New-815を含むベンチマークデータセットの評価は、我々の手法が既存のモデルより優れていることを示す。
  論文  参考訳（メタデータ） (2024-08-11T08:28:43Z)
• PSC-CPI: Multi-Scale Protein Sequence-Structure Contrasting for Efficient and Generalizable Compound-Protein Interaction Prediction [63.50967073653953]
  化合物-タンパク質相互作用予測は、合理的な薬物発見のための化合物-タンパク質相互作用のパターンと強度を予測することを目的としている。 既存のディープラーニングベースの手法では、タンパク質配列や構造が単一のモダリティしか利用していない。 CPI予測のためのマルチスケールタンパク質配列構造コントラストフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-13T03:51:10Z)
• State-specific protein-ligand complex structure prediction with a multi-scale deep generative model [68.28309982199902]
  タンパク質-リガンド複合体構造を直接予測できる計算手法であるNeuralPLexerを提案する。 我々の研究は、データ駆動型アプローチがタンパク質と小分子の構造的協調性を捉え、酵素や薬物分子などの設計を加速させる可能性を示唆している。
  論文  参考訳（メタデータ） (2022-09-30T01:46:38Z)
• Machine learning modeling of family wide enzyme-substrate specificity screens [2.276367922551686]
  バイオ触媒は、医薬品、複雑な天然物、商品化学物質を大規模に合成するための有望なアプローチである。 生体触媒の導入は、非天然基質上での化学的変換を触媒する酵素の選択能力によって制限される。
  論文  参考訳（メタデータ） (2021-09-08T19:44:42Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。