OmniESI：一个用于酶-底物相互作用预测的统一渐进式条件深度学习框架

OmniESI：一个用于酶-底物相互作用预测的统一渐进式条件深度学习框架

原文题名：OmniESI: A unified framework for enzyme-substrate interaction prediction with progressive conditional deep learning

版本信息：arXiv:2506.17963v1，2025-06-22。作者为 Zhiwei Nie、Hongyu Zhang、Hao Jiang、Yutian Liu、Xiansong Huang、Fan Xu、Jie Fu、Zhixiang Ren、Yonghong Tian、Wen-Bin Zhang、Jie Chen 等。代码仓库为 https://github.com/Hong-yu-Zhang/OmniESI，当前 HEAD 为 de7d0271ffb6585c27a9d7a83827acaf98a573bf。

文章一句话总结

OmniESI 是 MESI 思路的 arXiv 扩展版：它用酶和底物互为条件的 BCFM、再加上相互作用查询驱动的 CCFM，把通用 ESM-2/GCN 表征逐步调制为催化感知表征，并在 kcat/Km/Ki、酶-底物配对、活性位点标注和突变效应预测上做统一评估。

摘要全文翻译

理解和建模酶-底物相互作用对于催化机制研究、酶工程和代谢工程至关重要。虽然已有大量预测方法出现，但这些方法没有把酶催化先验纳入模型，用来合理调节那些与催化模式不匹配的通用蛋白-小分子特征。为解决这一问题，作者提出 OmniESI，一个通过条件深度学习进行酶-底物相互作用预测的两阶段渐进式框架。OmniESI 将酶-底物相互作用建模拆解为两阶段渐进过程，并引入两个条件网络，分别强调酶促反应特异性和关键催化相关相互作用，从而推动潜在空间中的特征从通用蛋白-小分子域逐步调制到催化感知域。在这个统一架构上，OmniESI 可以适配多种下游任务，包括酶动力学参数预测、酶-底物配对预测、酶突变效应预测和酶活性位点标注。在分布内和分布外设置的多角度评估中，OmniESI 在七个 benchmark 上持续优于已有专门方法。更重要的是，关键组件消融实验显示，作者提出的条件网络能以内化催化效率基本模式的方式显著改善预测性能，而参数增加量可以忽略不计，仅约 0.16%。总体而言，OmniESI 代表了一种用于酶-底物相互作用的统一预测方法，具有较强泛化性和广泛适用性，可作为催化机制解析和酶工程的有效工具。

文章解决的主要问题

他们为什么做这个

酶工程和代谢工程里，真正需要回答的不是单一问题，而是一串相关问题：这个小分子是否可能是底物，kcat、Km、Ki 等动力学参数大概如何，某个突变对底物相关功能是有益还是有害，哪些残基和底物原子可能参与催化相互作用。已有方法常把这些任务分开训练，或者只是把蛋白和小分子编码器输出拼接、注意力融合，缺少明确的催化先验来调节表征。

OmniESI 的出发点是：通用蛋白语言模型和小分子图模型给出的初始表征不一定对齐催化模式。酶-底物 pair 的语义不是两个独立对象的简单相加，而是一个条件关系。酶会改变“这个底物哪些原子重要”，底物也会改变“这个酶哪些残基重要”。

具体科学问题

作者要证明一个统一的 pair-aware 条件调制架构是否可以在不同 ESI 任务之间复用，并且是否能在不显式输入三维复合物结构的情况下学习到较有用的催化感知局部权重。

既往研究做到哪一步

已有路线包括 DLKcat、UniKP、CatPred 等动力学参数预测模型，ESP 这样的酶-底物配对模型，EasIFA 系列活性位点标注模型，以及突变效应预测模型。wiki 中已有 [[MESI]] 是同一作者组早期版本，强调多用途 ESI 和两级条件调制；OmniESI 更像是把该框架改名、扩展并用 CatPred-DB、ESP-DB、SwissProt/MCSA active-site 数据和 CTX-M DMS 数据进行了更系统的评估。

核心方法与技术路线

总体框架

OmniESI 包含四个模块：

1. 酶-底物编码：酶序列用冻结 ESM-2 650M 编码，底物二维图用 GCN 编码。
2. BCFM，Bidirectional Conditional Feature Modulation：酶和底物互为条件，从通用蛋白/分子特征转到酶/底物特异特征。
3. CCFM，Catalysis-aware Conditional Feature Modulation：把初步酶-底物联合表示作为查询，对残基和底物原子做催化感知重加权。
4. 任务特异解码：统一表征进入回归或分类头，支持动力学、配对、突变和活性位点任务。

BCFM：酶和底物互为条件

BCFM 的核心是让酶侧和底物侧不再独立编码。代码中的 BCFM 包含蛋白侧 PFP、底物侧 PFP 和 cross transformer 更新。PFP 使用多尺度 depthwise separable 1D convolution 提取不同感受野的局部上下文，再由条件向量产生 adaptive layer normalization 的 shift 和 scale。论文把这称为从 general protein-molecule domain 过渡到 enzyme-substrate domain。

这个设计的直觉是合理的：同一个酶序列面对不同底物时，重要残基可能不同；同一个底物面对不同酶时，重要官能团也可能不同。

CCFM：用初步相互作用表示重加权残基和原子

CCFM 先对 BCFM 后的酶和底物表征做全局聚合，再拼接成初步 interaction query。这个 query 分别和残基特征、原子特征计算多头注意力，得到催化感知的残基/原子权重。代码中的 CCFM.forward 对蛋白和底物分别计算 p_scores、d_scores、softmax attention，然后将 value 与 attention 相乘并求和，最后把酶侧和底物侧表示相加。

需要注意：这类 attention 权重能提供机制线索，但不是因果机制证明。它适合生成“哪些残基/原子值得检查”的假设，而不是直接替代突变实验、结构复合物、反应中心或过渡态分析。

数据集与任务

代码证据

公开代码中的 OmniESI 类先调用 Encoder_drug 和 Encoder_protein，随后按配置开关执行若干层 BCFM，再用 CCFM 或 SimpleFusion 融合，最后用 MLPDecoder 输出任务结果。configs.py 显示底物节点输入维度 75，底物 GCN hidden layers 为 [128, 128, 128]，蛋白输入维度 1280、目标维度 128，解码器输入维度 128。这个实现与论文的“冻结 ESM-2 + GCN + BCFM + CCFM + MLP decoder”一致。

文章创新点

1. 架构创新：把 ESI 建模明确拆成两级条件调制。BCFM 负责 pair-specific 特征转化，CCFM 负责 catalysis-aware residue/atom reweighting。
2. 统一任务创新：同一结构支持动力学参数、配对、活性位点和突变效应，而不是为每个任务设计完全不同的模型。
3. 证据扩展：相较已有 MESI wiki 页，OmniESI 在 CatPred-DB 的 kcat/Km/Ki、ESP-DB、SwissProt E-RXN ASA、MCSA E-RXN CSA 和 CTX-M DMS 上给出更系统的 ID/OOD 评估。
4. 参数效率：论文声称 BCFM 和 CCFM 只增加约 0.16% 参数，其中 BCFM 约 0.14%、CCFM 约 0.02%，但能稳定提升 kcat 预测和表征分离。
5. 可解释性线索：CCFM attention 在 amide hydrolysis 和 glycosylation case 中高亮了与反应中心相关的底物原子，如酰胺 C-N 键、参与糖苷键形成的羟基。

核心发现

发现 1：OmniESI 在 CatPred-DB 动力学任务上多数情况下优于 DLKcat、UniKP、CatPred

论文在 kcat、Km、Ki 三个任务上使用 CatPred-DB 原始划分和序列相似度过滤子集。kcat ID 下 OmniESI 相比 CatPred 的 R2 相对提升 6.0%，MAE 相对改善 6.2%；Ki 任务中 ID 和 OOD 表现尤其突出，OOD 下 R2 和 MAE 相比竞争方法平均改善 18.4% 和 5.4%。不过在 kcat 的 40% sequence identity cutoff 上，OmniESI 落后于 CatPred，说明极端序列外推仍未解决。

发现 2：OmniESI 改善 ESP-DB 酶-底物配对

在 ESP-DB 0-80% sequence identity OOD 测试集上，OmniESI 的 AUROC、MCC、ACC 分别为 0.972、0.859、0.946，优于 ESP 的 0.956、0.780、0.915。分子侧/底物骨架冷启动并不是该评估的主轴，因此这更适合解读为 protein-side OOD 下的 pair-scoring 改进。

发现 3：OmniESI 在活性位点标注上超过 EasIFA-ESM 的总体结果

SwissProt E-RXN ASA 任务中，OmniESI 在 overall 0-80% sequence identity 测试集上 F1 为 0.827、MCC 为 0.823，高于 EasIFA-ESM。五个序列相似度子集中，OmniESI 只在 40-50% interval 略低于 EasIFA-ESM，其余四个子集更好。MCSA case 的底物原子 attention 能和 amide hydrolysis、glycosylation 的反应中心对应，但这仍是可解释性 case，而不是通用机制因果证明。

发现 4：OmniESI 在 CTX-M beta-lactamase 突变效应任务上优于 UniKP

单突变有益/有害分类中，OmniESI 的 MCC 为 0.752、ACC 为 0.861，而 UniKP 接近随机或全负类。双突变上位性任务中，ampicillin 子集 OmniESI MCC 为 0.692，cefotaxime 子集 MCC 为 0.888，均优于 UniKP。这个结果说明 pair-aware 表征对底物相关突变效应有帮助，但数据集中正负样本高度不平衡，且集中在 CTX-M beta-lactamase，不应外推为所有酶家族的突变设计能力。

发现 5：BCFM 和 CCFM 的消融支持“条件调制有贡献”

kcat 消融显示单独加入 BCFM 或 CCFM 都能提升预测，二者同时加入效果最好；PCA 可视化也显示高/低 kcat/Km 样本分离更清楚。BCFM 贡献更大，CCFM 更像局部催化注意力细化层。参数分析显示二者增加参数量很小。

对后续研究的启发

对模型开发的启发

1. Pair-aware 表征不一定需要一开始就上三维结构，序列 + 2D substrate graph + 条件调制已经能捕获一部分催化模式。
2. 若要进一步推进，下一步不是继续只加 attention，而是加入 reaction center、cofactor、assay condition、uncertainty 和 similarity-controlled split。
3. CCFM attention 可作为实验设计入口：优先挑选高 attention 残基做 alanine scan、饱和突变或保守性/结构邻近性检查。
4. 对底物原子 attention，要和 atom-mapped reaction、反应中心、官能团规则和 docking pose 对齐，避免把 binding hot spot 误读为真正反应中心。

对数据集建设的启发

OmniESI 的多任务统一目标要求数据库记录至少包含：酶序列、底物 SMILES/图、动力学参数、测量条件、突变背景、活性位点或结构证据、负样本来源、train/test 最近邻相似度。否则模型看似统一，实际仍可能被不同任务的数据噪音牵着走。

文章局限性与可改进方向

1. OOD 主要是蛋白序列相似度维度。论文没有系统报告 ligand-cold、scaffold-cold、reaction-cold、family-cold、double-cold，也没有 DataSAIL/VIPER 风格的 molecule-similarity leakage 指标。
2. ESP-DB 负样本来自 molecular fingerprint similarity sampling 的 non-binding 构造，仍需区分 measured inactive 和 untested/missing annotation。
3. 活性位点 attention 是机制线索，不是因果证明；还需要突变失活、结构复合物、反应中心距离、cofactor 几何和 wet-lab validation。
4. 输入没有显式三维构象、金属/辅因子、完整反应物-产物转换、pH/温度/底物浓度等条件，因此不能替代结构精排、机制对接或动力学实验。
5. 突变效应任务集中在 CTX-M beta-lactamase DMS 数据，不能直接推断为通用酶工程模型。
6. 代码可访问并能对应核心结构，但本次未下载全部数据、权重或复现实验结果；报告中的性能结论来自论文表格和正文。

原文图导读

图 1

图 1 是方法总览。a 解释现有编码器容易停留在通用蛋白/分子潜在空间，和真正的 enzyme-specific、substrate-specific、catalysis-aware 特征不对齐。b 展示两阶段调制：先从通用域到酶-底物域，再到催化感知域。c 展示四类下游任务。d-f 展示整体架构、BCFM 和 CCFM。

图 2

图 2 评估 kcat、Km、Ki 和 enzyme-substrate pairing。重要读法是看 ID 和不同 sequence identity cutoff 下的变化：OmniESI 多数时候优于基线，但随着测试酶和训练酶相似度降低，性能也下降。这支持架构有效，但也提醒它没有解决真正冷启动泛化。

图 3

图 3 展示 active-site annotation 和底物原子 attention。总体 F1/MCC 优于 EasIFA-ESM；两个 case 中，amide hydrolysis 的 C-N bond、glycosylation 的 hydroxyl group 被高亮，和反应中心相符。这里应解读为可解释性线索，而非机制实验证据。

图 4

图 4 展示 CTX-M beta-lactamase 突变效应。单突变任务区分 beneficial/harmful，双突变任务区分 positive/negative epistasis。OmniESI 明显优于 UniKP，说明它的 pair-aware 表征能捕获一部分底物依赖的突变影响。

图 5

图 5 是关键消融。加入 BCFM 或 CCFM 均提升 kcat 预测，二者一起最好；PCA 显示高/低 catalytic efficiency 样本分离更清楚。参数分析显示 BCFM/CCFM 参数占比很小，支持“有用 inductive bias”而不是“大模型堆参数”的解释。