LEEN：轻量进化引导蛋白稳定性预测

LEEN 作者团队提出一种轻量级蛋白质稳定性预测架构 LEEN（Local Equivariant Energy Network），将单氨基酸替换引起的热稳定性变化（ΔΔG）表示为共享局部上下文下突变体与野生型的能量之差，从而在代数上保证固定上下文的反称性。作者称，该模型仅约 200–300 万可训练参数，在多个低序列相似度基准上取得有竞争力的表现。 在具体指标上，完整模型在 S461 和 S669 上的 Spearman 相关系数分别为 0.657 和 0.470，表现最好的变体分别达到 0.658 和 0.482。方法用 E(n)-等变图神经网络编码突变位点周围的局部几何，并通过消息门控引入蛋白语言模型的进化信息来调节结构信息流，而不是直接拼接特征。 作者还称，在使用共享对称化上下文时，对称化上下文变体可将精确反称性扩展到独立构建的突变输入，但会带来可测量的精度损失。

AI 根据报道生成 · 2 小时前更新