EnzyArena基准评测20个酶工程机器学习模型

研究团队构建了酶工程机器学习基准 EnzyArena，将 kcat、Km 或 kcat/Km 等动力学参数按实验批次分组，并在 pH、温度、反应和批次等条件匹配下测量，以减少混杂因素。基于该基准，团队系统评测了 20 个模型，覆盖蛋白-配体结合亲和力预测、蛋白稳定性预测、零样本适合度预测和酶动力学参数预测四类策略。 在来自公共数据库的子集和 25 个文献来源的突变数据集上，多数模型与实测功能结果的相关性弱、脆弱或不一致。 团队随后用 150 个突变体开展湿实验验证，比较随机突变体、UniKP 优先排序突变体（代表监督式动力学参数预测）和 ESM-1v 优先排序突变体（代表零样本适合度预测），结果显示 ESM-1v 效用最高，UniKP 表现低于随机基线。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。