深度学习精准预测酶动力学参数，助力代谢模型重构

查尔姆斯理工大学开发DLK_cat模型，实现跨物种k_cat值高效预测与酶约束代谢模型优化[k]

酶转换数（k_cat）是解析细胞代谢、蛋白质组分配及生理多样性的核心动力学参数，但其实验数据受限于测量通量低、覆盖不全和测定条件差异带来的噪声，严重制约了其在系统生物学中的广泛应用[k]。

针对这一挑战，查尔姆斯理工大学研究团队提出一种基于深度学习的高通量预测方法DLK_cat，仅需底物SMILES结构和酶蛋白序列即可实现对任意生物体代谢酶k_cat值的精准预测[k]。该方法不仅适用于基因组尺度的k_cat谱构建，还可有效捕捉单个氨基酸突变对催化效率的影响，并识别关键功能残基，具备蛋白质工程辅助设计潜力[k]。

研究团队进一步构建贝叶斯整合管道，将DLK_cat预测结果用于酶约束基因组尺度代谢模型（ecGEM）的自动化重构[k]。相比传统依赖数据库匹配和EC编号注释的重建方法，该新流程避免了底物命名不一致问题，支持同工酶特异性参数设定，显著提升模型覆盖度与适用性[k]。

所生成的DL-ecGEM及经实验数据校准的后验均值ecGEM，在表型生长预测和蛋白质组模拟方面均优于原有模型，可有效解释不同物种间的生理差异[k]。该研究成功应用于300多种酵母物种的全基因组k_cat预测与模型构建，展示了其在大规模比较代谢组学中的应用前景[k]。

当前方法仍面临若干挑战：如对多底物反应或异聚酶复合物尚未实现统一k_cat建模；未纳入pH、温度等环境因素影响；且因缺乏足够的负样本数据，可能导致非催化酶-底物对活性被高估[k]。未来结合更多实验验证数据与新兴机器学习工具，有望进一步提升预测准确性[k]。

尽管ecGEM仍受限于稳态假设及无法直接模拟调控机制，DLK_cat提供的高质量k_cat数据已显著增强模型预测能力[k]。该方法还可拓展至蛋白质组约束模型、基因组挖掘及全基因组关联分析等领域，为合成生物学、代谢工程及系统生物学研究提供关键工具支持[k]。

该成果以“Deep learning-based k_cat prediction enables improved enzyme-constrained model reconstruction”为题发表于《Nature Catalysis》[k]。