使用分层可解释变换器可信地预测酶学编号

为何预测酶的“工作”至关重要

每个活细胞的运行依赖无数微小的化学机器——酶。每种酶都有特定的“工作”，这个工作通过酶学委员会（EC）编号来编码，这是一种类似邮政地址的四级代码。正确分配EC编号对于理解代谢、设计新药、工程化微生物以生产燃料或塑料替代品，以及追踪生态系统如何处理化学物质都至关重要。然而，用实验确定酶功能既缓慢又昂贵。本研究提出了HIT-EC，一种新的人工智能模型，能够从蛋白质序列可信地预测EC编号，并解释它为何给出该预测。

酶功能的邮编系统

EC系统为每个酶分配一个四级代码，例如1.1.1.37。第一个数字表示一个宽泛的类别（例如，移动电子或转移基团的酶），后面的数字描述更精细的反应细节。这种层次结构很有力，但也带来了苛刻的预测任务：模型必须在成千上万可能的代码中将四级都预测正确，即便有些酶很少见或在数据库中仅有部分注释（例如3.5.-.-，其中详细级别缺失）。现有计算方法使用3D结构、序列相似性或深度学习，但它们通常在处理罕见酶时表现欠佳，忽视部分标注的数据，并且通常是“黑箱”模型，很少解释为何做出某个判断。

遵循EC阶梯的四层人工智能

HIT-EC（用于EC预测的分层可解释变换器）构建上模仿了四步EC层级。它将原始蛋白序列输入，通过四个变换器层，每层专注于一个EC级别。局部通路将各级与上级连接，确保细粒度的决定（第四位）必须与更宽泛的决定（第一位和第二位）一致。并行地，全局通路在每一步保持完整序列上下文可见。模型还可以在具有不完全标签的序列上训练，使用“掩码损失”简单地忽略缺失的EC级别，而不是丢弃该序列。这使得HIT-EC能够从经人工整理的数据库中大量只做部分注释的蛋白质中学习。

在准确性和速度上胜过对手

作者汇集了一个大规模、经过仔细过滤的数据集，包含约200,000个酶，涉及1,938个不同的EC编号，来源于Swiss-Prot和蛋白质数据银行。在反复的留出测试中，HIT-EC在整体和按类F1评分上均超过了三种领先方法（CLEAN、ECPICK和DeepECtransformer），F1评分衡量了正确命中与误报之间的平衡。它在样本数少于或等于25个已知实例的低代表性EC编码上表现尤其强劲，这是先前方法常见的弱点。HIT-EC在训练后对新加入Swiss-Prot的酶以及来自不同细菌的完整基因组（包括研究透彻的大肠杆菌、枯草芽孢杆菌和结核分枝杆菌菌株）也具有良好泛化能力。尽管架构复杂，该模型效率很高：在标准GPU上处理单个蛋白质大约需要38毫秒——这比依赖较慢相似性搜索或多个模型集成的一些竞争方法快数十倍。

可视化模型“关注”的位置

为使预测可信，HIT-EC设计为展示序列中哪些氨基酸影响了每个EC级别的决策。作者构建了一条解释路径，将注意力权重与梯度信息结合起来，对每个位置的重要性进行打分。他们在表征良好的酶家族上验证了这些得分。例如，在一个细胞色素P450家族（CYP106A2）中，HIT-EC突出显示了已知的功能基序，如结合氧和结合血红素的区域，并识别出一个基准模型漏掉的细微EXXR基序。对于每个顶层EC类的经典代表——如酒精脱氢酶、己糖激酶和碳酸酐酶——模型的相关性得分都点亮了课本上记载的特征基序和底物结合位点。这些解释提供了生化层面的“证据”，表明模型的判断基于有意义的特征，而非偶然相关性。

指导对罕见与新兴酶的研究

团队进一步在两个对污染清理重要但研究不足的酶上测试了HIT-EC：一个参与降解芳香族污染物的细胞色素P450，以及来自链霉菌的降解PET的水解酶，后者有助于消化与塑料有关的分子。这两种酶都已被实验表征但缺乏官方EC分配。HIT-EC正确预测了预期的EC编号，并突出了与结构和生化研究已知信息相符的基序模式和催化残基。总体而言，这项工作表明HIT-EC不仅能比现有工具更准确、更快速地分配EC编号，尤其在罕见功能方面表现突出，还能解释为何认为某个酶执行特定化学任务。这种性能与可解释性的结合使其成为基因组学、生物技术和环境研究中进行大规模、可靠酶注释的有前景的工具。

引用: Dumontet, L., Han, SR., Lee, J.H. et al. Trustworthy prediction of enzyme commission numbers using a hierarchical interpretable transformer. Nat Commun 17, 1146 (2026). https://doi.org/10.1038/s41467-026-68727-3

关键词: 酶功能预测, 生物学中的深度学习, 变换器模型, 蛋白质注释, 生物修复酶