How Not to be Seen: Predicting Unseen Enzyme Functions using Contrastive Learning

该论文提出了一种名为 EnzPlacer 的对比学习算法，旨在通过预测缺失第四级 EC 编号的酶序列在已知功能空间中的位置，从而解决从序列预测酶功能这一难题。

要点

这篇论文介绍了一种名为 EnzPlacer 的新工具，它的任务是帮助科学家在茫茫的蛋白质海洋中，给那些“从未见过”的酶（生物催化剂）找到最可能的“工作职位”。

为了让你更容易理解，我们可以把酶的功能预测想象成给一本没有目录的百科全书里的新文章找分类标签。

1. 核心难题：面对“未知”的新书

在生物学界，科学家已经测序了海量的蛋白质（就像图书馆里堆满了书），但只有极少数的书被详细读过并贴上了准确的标签（比如“这是做面包的酶”）。

• 传统做法：以前的方法就像是在找“双胞胎”。如果你有一本新书，它会去书堆里找一本长得最像的旧书，直接把旧书的标签贴上去。
• 现实困境：现在有很多新书，它们长得和任何旧书都不像（没有“双胞胎”），或者它们的功能非常独特，旧书里根本没有对应的标签。这时候，传统的“找双胞胎”方法就失效了，科学家不知道该怎么给这些新书分类。

2. 解决方案：EnzPlacer 的“智能分类法”

这篇论文提出的 EnzPlacer 就像是一个超级聪明的图书管理员。它不再死板地寻找“长得一模一样”的书，而是学习理解书的核心主题和层级关系。

酶的分类系统（EC 编号）

为了理解它的工作，我们需要知道酶的分类就像地址：

• 第 1 级（EC1）：大洲（比如：氧化还原酶，负责“燃烧”反应）。
• 第 2 级（EC2）：国家（比如：底物类型）。
• 第 3 级（EC3）：城市（比如：具体的反应机制）。
• 第 4 级（EC4）：具体的街道门牌号（最精确的酶）。

EnzPlacer 的绝招：
当遇到一本全新的书（新酶），如果它没有对应的“门牌号”（第 4 级标签，因为以前没见过），EnzPlacer 不会瞎猜，而是利用对比学习（Contrastive Learning）技术，把它精准地定位到正确的“城市”甚至“国家”（第 3 级或第 2 级）。

它是如何做到的？（比喻：社交派对）

想象一个巨大的社交派对（蛋白质空间）：

• 旧方法：只喜欢和长得一模一样的人站在一起。如果来了个长得不一样的新人，它就不知道把新人往哪领。
• EnzPlacer 的方法（HiNCE 算法）：
  1. 拉近距离：它让所有做“类似工作”的人（即使长得不像）都聚在同一个区域。比如，所有负责“切断磷酸键”的酶，不管它们长什么样，都被拉到了同一个房间。
  2. 推开距离：它让做完全不同工作的人（比如负责“切断肽键”的）去完全不同的房间。
  3. 层级导航：它特别聪明地维护了房间的层级结构。即使两个酶的具体任务（门牌号）不同，只要它们属于同一个“城市”（第 3 级），它们就会被安排在同一个街区。

3. 实验结果：它有多强？

研究人员把 EnzPlacer 放在了一个非常难的测试环境中：只给它看新酶，不给它看任何以前学过的具体“门牌号”。

• 传统方法（BLASTp）：就像让一个只认识亲戚的人去认陌生人。一旦对方长得完全不像亲戚，他就彻底懵了，经常把“切面包的”错认成“修汽车的”。
• EnzPlacer：即使面对完全陌生的酶，它也能准确地说出：“虽然我不知道你具体切什么，但你肯定属于‘切面包’这个大类（第 3 级）。”
• 数据表现：在测试中，EnzPlacer 在预测酶的“城市”（第 3 级）和“国家”（第 2 级）功能时，准确率明显高于其他所有方法。特别是在那些长得非常不像、很难通过传统方法找到亲戚的酶身上，它的优势最大。

4. 为什么这很重要？（现实意义）

想象一下，你在探索一片未知的森林（新发现的微生物基因组），发现了一种从未见过的酶。

• 以前：你只能瞎猜，或者花几年时间做实验去试错，不知道它到底是干什么的。
• 现在：EnzPlacer 可以告诉你：“嘿，虽然我没见过它，但它长得像‘磷酸二酯酶’家族。这意味着它很可能负责切断 DNA 或 RNA 的链条。”
  • 这就把实验范围从“整个森林”缩小到了“这一片特定的灌木丛”。
  • 科学家可以据此设计更精准的实验，大大加快新药研发或工业酶开发的进程。

总结

这篇论文的核心思想是：不要试图去猜一个完全未知的具体细节（第 4 级），而是利用 AI 学习事物之间的深层逻辑关系，先把它归入正确的“大类”和“中类”（第 2、3 级）。

EnzPlacer 就像是一个拥有宏观视野的导航仪，即使在没有具体路标（已知标签）的荒野中，它也能告诉你：“你正朝着‘消化系统’的方向走，而不是‘呼吸系统’。”这对于加速生物科学发现具有巨大的价值。

技术摘要

这是一篇关于利用对比学习预测未见酶功能的学术论文的详细技术总结。

论文标题

How Not to be Seen: Predicting Unseen Enzyme Functions using Contrastive Learning
（如何“不被看见”：利用对比学习预测未见酶的功能）

1. 研究背景与问题 (Problem)

• 核心挑战：从蛋白质序列预测酶功能（特别是 EC 编号）是计算生物学中的未解难题。随着基因组数据的爆炸式增长，大量新发现的酶序列尚未经过生化表征。
• 现有局限：
  • 传统的预测模型通常假设测试集中的功能标签（EC 编号）在训练集中已经存在（即“分布内”评估）。
  • 然而，现实场景中充满了“未见”的酶功能（Unseen Functions），即测试集中的具体 EC4 级编号在训练集中从未出现过。
  • 对于这类序列，无法分配一个不存在的精确标签，但将其准确定位到已知的功能空间（如 EC3 或 EC2 级别）具有极高的科学价值，能为实验设计提供可验证的假设。
• 研究目标：开发一种方法，能够在训练集中未见过具体 EC4 编号的情况下，准确预测酶在 EC 层级结构中的高层级功能（EC1-EC3），即实现未见 EC4 类别的泛化。

2. 方法论 (Methodology)

作者提出了名为 EnzPlacer 的新方法，基于对比学习（Contrastive Learning）和层次化表征。

2.1 数据构建与划分策略

• 数据来源：从 ExPASy ENZYME 数据库收集并清洗了 183,613 个单功能酶序列。
• 未见（Unseen）划分策略：
  • 在 EC4 级别进行分组划分。
  • 训练集：包含每个 EC3 家族中蛋白质数量最多的 EC4 组（代表“已知”类别）。
  • 测试集：包含每个 EC3 家族中剩余的、蛋白质数量较少的 EC4 组（代表“未见”类别）。
  • 关键约束：测试集中的 EC4 标签在训练集中不存在，但测试集所属的 EC3 家族在训练集中存在。这模拟了“已知大类，未知具体子类”的真实场景。
  • 严格子集：进一步通过 BLASTp 过滤，构建了低序列相似度（<10%, <30%, <50%）的子集，以排除同源转移的干扰，测试模型在低相似度下的泛化能力。
• 已知（Seen）划分策略：传统的随机划分（80/20），用于作为基线对比，测试集标签均存在于训练集中。

2.2 模型架构

• 输入表示：使用预训练的 ESM-1b 模型生成蛋白质序列的固定嵌入向量（Embeddings）。
• 投影头：训练一个轻量级的多层感知机（MLP）将 ESM 嵌入映射到任务特定的表示空间 $z(x)$。
• 核心损失函数：层次化示例对比目标 (HiNCE)
  为了保留 EC 层级结构（EC1-EC4 的父子关系），作者提出了 HiNCE 损失函数，包含两部分：
  1. 实例级监督对比损失 (Instance-level Supervised Contrastive Loss)：
     • 拉近具有相同 EC4 标签的蛋白质（正样本），推远不同 EC4 标签的蛋白质（负样本）。
     • 引入硬负样本挖掘 (Hard Negative Mining)，优先选择嵌入空间中距离较近但标签不同的样本进行训练，提高区分度。
  2. 层次化示例损失 (Hierarchical Exemplar Loss)：
     • 计算每个 EC 层级（EC1, EC2, EC3, EC4）的类别质心（Centroid）。
     • 对于锚点蛋白，不仅要求其接近同 EC4 的样本，还要求其接近其所属的 EC3、EC2、EC1 的质心。
     • 目的：强制嵌入空间保持层级一致性。即使 EC4 标签不同，只要 EC3 相同，它们在空间中也应靠近。这使得模型在未见 EC4 时，仍能通过 EC3 质心进行准确定位。
• 推理过程：在测试时，将查询蛋白嵌入到学习到的空间中，通过最近邻（Nearest Neighbor）搜索，将其分配给训练集中距离最近的样本的 EC 标签。

3. 主要结果 (Results)

3.1 未见 EC4 任务 (Unseen-EC4 Task)

• 整体表现：这是一个极具挑战性的任务，所有方法的得分都不高，但 EnzPlacer 在所有指标上均优于基线方法。
  • 在实验验证的未见测试集上，EnzPlacer 在 EC2 级别的准确率达到 0.4350，宏观 F1 分数为 0.2614。
  • 相比之下，基线方法 CLEAN（监督对比学习）和 GloEC（图卷积网络）表现次之，BLASTp（同源比对）表现最差。
• 低相似度场景：
  • 当过滤掉与训练集有高序列相似度的样本（<10% 相似度）时，基于同源转移的 BLASTp 性能急剧下降。
  • EnzPlacer 虽然性能也有所下降，但下降幅度最小，且仍保持显著优势。这表明学习到的表征空间保留了功能相关的结构信息，不单纯依赖序列相似性。
• 案例研究：
  • 对于某些磷酸二酯酶（如 A0A1D8PNZ7，真实 EC 3.1.4.2），BLASTp 错误地将其归类为激酶（EC 2.7.11.1），而 EnzPlacer 成功将其定位在正确的 EC3 家族（3.1.4）内，尽管训练集中从未见过该具体的 EC4 编号。

3.2 已知 EC4 任务 (Seen-EC4 Task)

• 在传统的分布内设置下（测试集标签存在于训练集），所有方法表现良好，准确率普遍较高（EnzPlacer 达到 0.9098）。
• 这反衬出“未见 EC4"任务的难度，也证明了 EnzPlacer 在保持高层级功能预测准确性的同时，并未牺牲在已知标签上的性能。

3.3 嵌入空间可视化

• 使用 t-SNE 可视化显示，EnzPlacer 学习到的空间比原始 ESM 嵌入具有更好的家族内聚类和家族间分离特性。
• 特别是对于包含多种 EC4 变体的 EC3 家族（如 3.1.4），EnzPlacer 使其在空间中更加集中，证明了层次化损失函数有效地塑造了符合 EC 层级结构的几何空间。

4. 关键贡献 (Key Contributions)

1. 提出了新的评估范式：针对酶功能预测，设计了严格的“未见 EC4"评估协议，模拟了真实世界中面对全新酶类时的预测挑战，填补了现有研究多关注“分布内”预测的空白。
2. 提出了 HiNCE 损失函数：创新性地将层次化结构（EC1-EC4）引入对比学习，通过示例质心（Exemplar Centroids）强制模型学习层级一致的嵌入空间，解决了传统对比学习忽略层级关系的问题。
3. 实现了超越同源性的泛化：证明了在低序列相似度且无直接同源匹配的情况下，基于层次化对比学习的方法仍能准确推断酶的高层级功能（EC2/EC3），优于传统的同源转移（BLASTp）和现有的深度学习基线。
4. 开源工具：发布了 EnzPlacer 工具，供社区使用。

5. 意义与影响 (Significance)

• 生物学意义：准确预测未见酶的 EC3 级别功能（反应类型）对于理解新发现的酶至关重要。它可以将实验搜索范围从成千上万种可能性缩小到特定的反应机制类别（例如，区分是磷酸二酯酶还是激酶），从而指导湿实验设计。
• 方法论启示：研究表明，在长尾分布和未见类别的预测任务中，**几何结构（Geometry）**比单纯的表征质量更重要。通过显式建模层级关系，可以构建出更具鲁棒性的功能空间。
• 未来方向：该研究指出了当前方法的局限性（如未处理多底物酶、未结合结构信息），并为未来结合多模态数据（结构、动力学）和处理开放集（Open-set）问题提供了方向。

总结：EnzPlacer 通过引入层次化对比学习，成功解决了在缺乏具体功能标签（EC4）的情况下预测酶高层级功能（EC1-EC3）的难题，为基因组挖掘和新酶发现提供了强有力的计算工具。