EZSpecificity 模型解析：融合序列与结构的酶底物特异性预测实践

模型的强大源于高质量的数据基建。作者构建了包含 32 万条数据的 ESIBank 数据库。

数据来源

1. 旧文献挖掘：利用 OCR 技术扫描历史论文 PDF 中的化学反应图片，将分子结构自动翻译为 SMILES 代码，并与酶序列匹配。
2. 公共数据库：从 BRENDA 和 UniProt 批量下载已知数据。

数字化流水线

1. 备料：
   • 底物：SMILES 代码 -> RDKit -> 3D 分子模型。
   • 酶：序列 -> AlphaFold（造壳）+ AlphaFill（装辅因子）-> 完整 3D 模型。
2. 组装与质检：
   • 使用 AutoDock-GPU 进行对接，尝试多种结合姿态。
   • 通过距离打分和亲和力打分筛选，只保留合理的结合姿态（Reasonable binding pose）作为标准答案。

环境配置与数据准备

系统要求

• 操作系统：Ubuntu 22.04
• Python 版本：3.10.12
• CUDA 版本：12.1

第一步：创建虚拟环境

conda env create -f environment.yml
conda activate ezspecificity

第二步：安装图神经网络库

PyG 对版本敏感，请确保 CUDA 版本匹配。

pip install torch_geometric
pip install pyg_lib torch_scatter torch_sparse torch_cluster torch_spline_conv -f https://data.pyg.org/whl/torch-2.2.0+cu121.html

数据文件结构

跑通示例代码需要特定的目录结构和 CSV 文件。

My_Data/
├── enzymes.csv       # 酶名单（含 Protein sequence）
├── substrates.csv    # 底物名单（含 Substrate_SMILES）
├── data.csv          # 配对索引表（Dock Index, Enzyme Index, Substrate Index）
└── Structure/        # PDB 文件夹（存放对接后的 3D 复合物文件）
    ├── 0.pdb
    ├── 1.pdb
    └── ...

关键说明：

• enzymes.csv：必须包含 Protein sequence 列。
• substrates.csv：必须包含 Substrate_SMILES 列。
• data.csv：核心索引表，需包含 Dock Index（对应 Structure 文件夹下的文件名）、Enzyme Index 和 Substrate Index。
• Structure：存放 .pdb 文件，文件名应为纯数字，代表对接后的复合物结构。

推理流程实战

准备工作

模型需要的输入不是简单的字符串，而是酶和底物结合在一起的 3D 模型文件（PDB 格式）。如果不存在，需要自行生成：

1. 造酶：运行 AlphaFold 获取序列对应的 3D 结构，如有辅因子需运行 AlphaFill。
2. 造底物：运行 RDKit 将 SMILES 转为 3D 坐标。
3. 强行合体：使用 AutoDock-GPU 将两者'撞'在一起，生成复合物 PDB 文件。

执行预测

准备好 PDB 文件后，参考 example.ipynb 提取特征并进行预测。

1. 提取特征：读取 .pdb 文件，将原子坐标转换为数学矩阵（节点和边）。
2. AI 打分：将矩阵喂给训练好的 EZSpecificity 模型。
3. 结果解读：模型输出一个连续分数（如 -2.09）。分数越大（越接近正数），结合可能性越高。

常见问题与优化

• 依赖冲突：如果遇到 packaging.version 报错，可尝试降级：pip install "packaging==23.2"。
• KNN 实现：若遇到 torch_cluster 相关错误，可使用纯 PyTorch 重写 KNN 函数以移除外部依赖。
• 单模型 vs 集成：实测中，单模型与集成模型的分数可能存在差异，通常集成模型更稳健，但单模型足以满足快速筛选需求。

结语

EZSpecificity 展示了深度学习在生物催化领域的巨大潜力。它不仅仅是一个分类器，更像是一个能够理解分子空间关系的判别器。相比传统的物理打分方法，它能有效减少假阳性，帮助科学家在海量化合物中快速锁定高潜力的酶 - 底物组合。