计算与 AI 药物发现 Journal of Chemical Information and Modeling (ACS)
EnzyArena基准显示零样本模型在酶突变体优选中最稳定
- EnzyArena按实验批次整理kcat和Km数据,使比较在一致的测定条件下进行,避免汇总数据带来的混杂。
- 四类方法的模型多数与实测功能相关性较弱或不稳定;动力学预测在文献数据上失去优势,零样本模型更稳定,其共识还提升了回顾性分析中的命中识别。
- 湿实验中ESM-1v优于随机选择,而UniKP低于随机水平。
要点 基于摘要的观点
UniKP低于随机水平这一点最值得深究:在汇总数据库数值上训练的kcat预测器,很可能学到的是酶家族和测定条件的信号,而不是突变本身的效应,而这个基准并没有直接检验这一点。在我们自己的酶上相信ESM-1v之前,我想看看它相对随机的增益会随实验批次和起始稳定性如何变化,以及与一个简单稳定性预测器基线组合后的表现。
原论文: Journal of Chemical Information and Modeling (ACS) ↗ Benchmarking and Experimental Validation of Machine Learning Strategies for Enzyme Engineering