主要观点总结
这篇文章介绍了一种基于几何图学习的酶功能预测模型GraphEC。该模型能够预测酶活性位点、EC编号以及最适pH值。通过使用ESMFold预测的蛋白质结构和预训练的蛋白质语言模型，GraphEC在预测酶活性位点的指导下进行EC编号预测。同时，结合同源性信息，采用标签扩散算法进一步提高预测准确性。
关键观点总结
关键观点1: 研究背景
酶在许多生物过程中起到关键作用，识别酶功能对于研究代谢和疾病至关重要。传统计算方法存在局限性，无法充分利用蛋白质结构中的信息。近期深度学习方法在酶功能注释中取得了成功，但仍存在只使用蛋白质序列而不结合蛋白质结构、不采用酶活性位点的关键信息等局限性。
关键观点2: 研究方法
研究收集了多个数据集，构建了新的训练集和测试集。模型采用几何图学习，结合ESMFold预测的蛋白质结构进行训练。通过预训练语言模型生成信息丰富的序列嵌入以增强节点特征。此外，研究还采用了标签扩散算法，利用同源性信息进一步增强预测。模型扩展到酶最适pH预测，以协助实验。
关键观点3: 模型架构与实验
模型包括特征层、几何图学习、标签扩散算法等部分。实验结果表明，GraphEC在预测活性位点、EC编号和最适pH值方面优于最先进的方法。通过五倍交叉验证，GraphEC-AS的AUC达到了0.9635，证明了模型的稳健性。
关键观点4: 总结
GraphEC是一种基于几何图学习的EC数预测器，能够通过预测的活性位点指导学习。它利用ESMFold预测的结构进行几何图学习，有效提取结构信息。结合同源性信息和标签扩散算法，提高了模型性能。该模型能够全面分析酶的EC数、活性位点和最适pH值。
免责声明
免责声明：本文内容摘要由平台算法生成，仅为信息导航参考，不代表原文立场或观点。
原文内容版权归原作者所有，如您为原作者并希望删除该摘要或链接，请通过
【版权申诉通道】联系我们处理。
