论文
低同源位移下酶-底物相互作用预测的检索增强多模态学习
Retrieval-Augmented Multimodal Learning for Enzyme-Substrate Interaction Prediction Under Low-Homology Shift
摘要
酶底物相互作用（ESI）预测是大型生化空间中生物催化剂发现和反应筛选的一项基本计算任务。在实际环境中，ESI 预测受到稀疏正监督和低同源性分布变化的挑战，其中测试酶与训练期间观察到的酶具有有限的序列同一性。为了应对这些挑战，我们提出了 RAMMESI，一种用于稳健 ESI 预测的检索增强多模态框架。 RAMMESI 通过定向跨模式交互建模和自适应融合来学习显式的成对酶底物表示。为了增强鲁棒性，RAMMESI 在推理时检索邻近的酶，将它们与查询底物重新组合，并将生成的成对预测聚合为上下文证据。为了改善稀疏正监督下的学习，我们进一步采用了不平衡感知加权 BCE 目标。在序列同一性感知分割下对两个 ESI 基准进行的实验表明，RAMMESI 实现了始终如一的强大性能，在更具挑战性的低同一性机制中具有特别的优势。此外，检索模块以即插即用的方式改进了多个ESI主干，这表明检索提供了一种提高同源移位下鲁棒性的通用机制。