酶功能预测改用无标注同源序列:EZpred在720个新酶上把四位数EC号F1提到0.786
EZpred把蛋白质结构预测里常用的同源序列特征搬到酶功能预测上,只取同源序列的序列特征、不看它们的功能标注。此前深度学习模型大多只从目标序列本身取特征,少数用同源的模型也只利用带功能标签的同源序列。在720个于UniProt 2024_02新增EC号的酶上,EZpred预测完整四位数EC号的F1为0.786,比CLEAN和GraphEC分别高27%和31%。
EZpred把蛋白质结构预测里常用的同源序列特征搬到酶功能预测上,只取同源序列的序列特征、不看它们的功能标注。此前深度学习模型大多只从目标序列本身取特征,少数用同源的模型也只利用带功能标签的同源序列。在720个于UniProt 2024_02新增EC号的酶上,EZpred预测完整四位数EC号的F1为0.786,比CLEAN和GraphEC分别高27%和31%。
ESM2 的残基嵌入里,极性/非极性二元模式被组织成可读的几何结构。把全部 128 种七肽二元模式各生成 50 条序列、共 6400 条一起做保留位置的 PCA,前三个主成分构成“水母”形流形:疏水比例沿 PC1 展开,PC2 与 PC3 以近似正弦、余弦的方式编码七肽相位。换成电荷字母表仍有序,打乱氨基酸分组或改用非蛋白模型 ByT5 后这种环状组织消失。
环境微生物组中β-内酰胺酶的功能多样性与突变潜力此前只被部分认识。把蛋白质语言模型与集成学习结合,从环境宏基因组中识别出四个Ambler类共逾4.6万个潜在β-内酰胺酶,其中与已知酶序列同一性约30%的两个C类候选在大肠杆菌中表达后赋予对多种β-内酰胺类抗生素的耐药性;再用逆折叠模型与蛋白质语言模型筛出的突变可改变耐药谱,包括增强对碳青霉烯类的耐药。
对氨基酸字母做一次全局一一对应的重命名,比对层面的统计量、列熵和成对编辑距离都不变,但ESM-2、MSA Transformer和AMPLIFY的接触图会大幅崩塌,而逆协方差Potts模型逐位不变。在9个蛋白、3个种子上,ESM-2 650M随机重命名20种残基后与自身原接触集的重叠只剩0.015,限制在BLOSUM62同类组内的重命名则保留0.655。这说明这些模型的接触预测依赖规范残基身份,不能当作它们已内化协变统计的证据。
蛋白质稳定性变化预测器常给出前后不一致的结果:交换突变前后两条序列,预测值并不严格反号,同一突变位点经不同中间状态绕行也难闭合。EvoPhi-DDG在不重新训练的前提下,把基于家族比对的MSAesm_ddG改写为以突变位点和比对上下文为条件的有效势之差,使正反预测严格反号、固定比对上下文下同一位点严格可加。它与已发表的JanusDDG等权平均后,在S669上Pearson相关为0.59,高于JanusDDG的0.55和EvoPhi-DDG的0.53。
BacLLM把UniProt注释经大模型编码成的语义表示,通过跨模态对比学习灌入ESM-2序列编码器,使推理时只读氨基酸序列。在六个耐药预测基准上,BacLLM(4B)在逻辑回归与RBF核支持向量机两种分类器下的平均F1均高于Ankh、ESM-2、ProteinBERT和ProTrek;在SHV-1 β-内酰胺酶P0AD64上,它从排名前65的位点中找回8个实验支持的减耐药位点中的6个,ESM-2一个也未找回。训练后文本分支被移除,因此这些收益来自序列输入,而非注释输入。
MaskNGly把蛋白语言模型嵌入当作可读的共进化信号来源,用遮罩-探测的方式直接判断N-X-S/T序列子是否会被N-糖基化,不依赖标注数据训练。在N-GlyDE测试集上,它的AUC为0.940、MCC为0.808,与已发表的监督式神经网络预测器相当;在独立糖蛋白组数据中,111个此前未报道的位点有106个得分超过0.5阈值。
抗冻肽发现长期受限于候选序列多样性不足、依赖已知蛋白骨架。AFPFusionLM把序列与结构感知表示融合,在独立参照集上取得0.937的AUROC和0.957的AUPRC;配合LoRA适配的生成模型与多模型共识筛选,从UniProt、冰川宏基因组和生成序列中保留87,305条候选蛋白记录,并在多个候选簇中发现周期性串联重复结构。据此选出的重复相关家族短肽在冰重结晶抑制实验中,多个成员达到或超过同批次文献参照肽的抑冰水平。
蛋白质基础模型要落到某个实验室的具体测定上,通常得先做一次昂贵且容易失败的适配,而现有智能体把微调当成可靠的工具调用,可行性靠估计、不可行往往在算力花掉后才发现。CAPO把适配改写成带闸门的决策问题:在目标加速器上实测可行性、按预算做成本准入、在真实训练循环里跑200步金丝雀,并允许系统拒绝负担不起的方案。同一套未改动的系统在三个蛋白质任务上分别选择了部分微调ESM-2 8M、拒绝微调Boltz-2改用冻结表征上的校准头、以及对ESM-2 150M做秩4低秩适配。
蛋白质序列库的增长远快于人工注释,而现有语言模型只从序列似然学习,InterPro中的域与功能位点知识只是间接体现。PALM以ESM2为骨干,加入LoRA适配、可学习层聚合与双向LSTM编码器,并用软目标损失允许同一残基保留多个有效标注。在2,309,606个留出蛋白上,域与位点出现F1分别为0.941和0.877;在序列一致性低于20%的子集中仍为0.857和0.828。