撰文丨王聪 编辑丨王多鱼 排版丨水成文 2025 年 10 月 8 日，国际顶尖学术期刊 Nature 上线了 15 篇论文 ， 其中 4 篇来自华人学者 （包括作为通讯作者和第一作者的论文） 。 10 月 8 日，伊利诺伊大学厄巴纳-香槟分校 赵惠民 教授作为通讯作者 （ 崔海洋 、 苏雨峰 作为共同第一作者） ， 在 Nature 期刊发表了题为： Enzyme specificity prediction using cross attention graph neural networks （ 基于跨注意力图神经网络的酶特异性预测 ） 的研究论文 【1】 。 该研究提出了一种结合 跨注意力机制 （Cross-Attention） 与 SE(3)-等变图神经网络 （ SE(3)-equivariant GNN） 的创新人工智能模型—— EZSpecificity ， 可高精度预测酶的底物特异性，以帮助研究人员找到酶与底物的最佳组合。这项研究为 AI 在酶工程、合成生物学和绿色制造中的深度应用奠定了新的方法学基 础。 10 月 8 日， 复旦大学 周鹏 教授作为通讯作者， 刘春森 青年研究员作为共同第一作 ...

文章核心观点 - 伊利诺伊大学赵惠民教授团队在《自然》期刊发表研究，提出了一种名为EZSpecificity的创新人工智能模型，该模型结合跨注意力机制与SE(3)-等变图神经网络，能够高精度预测酶的底物特异性，旨在帮助研究人员找到酶与底物的最佳组合，为AI在酶工程、合成生物学和绿色制造中的应用奠定了新的方法论基础[2][3][11] 研究背景与挑战 - 酶是生命的分子机器，其功能的关键特性是底物特异性，但许多酶并非完全“专一”，可能具有多功能性[2] - 数以百万计的已知酶仍缺乏可靠的底物特异性信息，这阻碍了其实际应用及对生物催化多样性的全面理解[2] - 酶与底物的相互作用并非简单的“锁和钥匙”模型，酶的构象会发生变化（诱导契合），且有些酶具有多态性，能催化不同类型反应，使得预测最佳组合颇具挑战[6] - 此前已有的酶特异性模型在准确性及可预测的反应类型方面存在局限性[7] 研究方法与技术突破 - 研究团队为提升AI预测能力，与Diwakar Shukla合作，通过大量对接模拟创建了一个大型数据库，其中包含酶的序列、结构信息以及不同类别酶在不同底物周围的构象信息，以补充和拓展实验数据[8] - 基于数百万次的对接计算数据，团队构建了EZSpecificity模型，该模型使用SE(3)-等变图神经网络来表征酶-底物的三维结构关系，并引入跨注意力机制模块来强化酶的活性口袋与底物分子之间的高维信息交互[8] - 该模型与团队两年前开发的、用于从酶序列预测其功能的CLEAN AI模型高度互补，二者共同构成了从“功能发现”到“精准应用”的完整酶研究AI工具链[3] 模型性能与应用验证 - 在四个模拟实际应用的场景测试中，EZSpecificity的表现均优于当前领先的模型ESP[11] - 通过对8种卤化酶和78种底物进行实验验证，EZSpecificity准确识别唯一反应底物的成功率高达91.7%，而ESP的准确率仅为58.3%[11] - 研究团队已开发用户界面，研究人员只需输入底物和蛋白质序列，即可使用EZSpecificity预测该底物是否能很好地发挥作用[11] 研究意义与未来方向 - EZSpecificity模型标志着酶研究从“智能注释”迈向“智能识别”，为理解生物催化的分子机制、推动AI驱动的酶工程、代谢网络改造及绿色催化剂开发提供了全新的技术路径[11] - 团队下一步计划拓展该模型，用于分析酶的选择性（即酶对底物上特定位点的偏好），以帮助排除具有脱靶效应的酶[11] - 团队还计划继续用更多的实验数据来完善EZSpecificity模型[11]