酶动力学预测改学配对差值：冷启动下kcat的R²达0.71，外部腺苷酸激酶零样本PCC为0.40
核心概要
酶动力学预测长期依赖在异质数据上直接回归绝对值，同一酶-底物体系在不同研究中的测量可相差数个数量级，模型容易向均值收缩。DeltaKcat把任务改写为配对相对学习：在同一研究内固定酶或固定底物，用孪生网络预测两个酶-底物复合物之间的动力学差值，再用实验已知的参照复合物把差值还原为绝对值。在冷启动划分下，kcat的绝对预测R²为0.71、PCC为0.85，高于DLKcat、CataPro和UniKP的R² 0.14至0.48；在完全未参与训练的外部腺苷酸激酶数据上，零样本PCC为0.40。
深度剖析
酶动力学预测的目标从独立估计每个酶-底物复合物的绝对值，改为估计同一实验条件下两个复合物之间的动力学差值。 此前的做法是在异质数据集上做绝对回归，而同一酶-底物体系在不同研究中的报道值可相差数个数量级，模型因此容易学到数据集特有的偏差，并系统性地低估极端值。 在冷启动划分下，kcat的绝对预测达到R² 0.71、PCC 0.85，而DLKcat、CataPro和UniKP的R²落在0.14至0.48之间；在按单篇文献评估时，kcat预测的中位PCC为0.78，基线模型为0.11至0.36。
相对差值可以借助实验已知的参照复合物还原成绝对kcat、Km和kcat/Km，使模型能用于需要绝对数值的体系级场景。 相对预测本身不给出绝对尺度，因此需要一条从差值回到绝对值的推理路径。 在随机划分下，绝对预测的R²为kcat 0.79、Km 0.80、kcat/Km 0.84；同一测试复合物换用不同参照锚点时，多次估计的标准差集中在0.25附近。
模型在训练中完全未见过的酶家族上仍能排序高活性酶，并可用少量家族数据快速微调。 外部腺苷酸激酶数据完全排除在训练之外，其酶家族未出现在训练数据中。 零样本下PCC为0.40、SCC为0.33，优于UniKP的PCC 0.22、SCC 0.21；以真实kcat前5%为高活性标准，DeltaKcat在前5个候选中命中1个高活性酶，基线在前10个候选中均未命中，前30个候选中DeltaKcat召回56%，最好的基线UniKP为22%；用20至140个样本微调后PCC升至0.69。
启示与展望
已展示的范围包括随机与冷启动划分下的相对及绝对动力学预测、按单篇文献的评估、按序列与底物相似度分层的评估，以及完全排除在训练之外的外部腺苷酸激酶数据集上的零样本与少样本微调；作者提出该方法可用于酶发现、酶工程与功能注释。
作者指出，动力学测量总体仍然有限，稀有反应类型和代表性不足的酶类尤其如此；pH、温度和测定条件等关键环境因素尚未显式纳入模型；蛋白质结构及酶-底物复合物结构信息也未被使用。微调实验中，性能随训练样本数增加而稳步提升，超过60个样本后改善明显。