12月8日，中国科学院上海营养与健康研究所武爱波研究组在国际学术期刊Advanced Science在线发表了题为“CACLENS: A Multitask Deep Learning System for Enzyme Discovery”的研究论文。该研究建立了端到端筛选目标酶的多任务计算框架，大幅提高了功能酶的预测与发现效率，并成功应用于真菌毒素降解酶的挖掘。

近年来，深度学习在酶的结构、功能与性质的大规模预测领域取得了显著进展。然而，由于缺乏面向多模态输入和多任务输出的统一建模能力，现有方法仍难以满足高性能功能酶筛选的需求。针对这一挑战，研究团队设计并开发了CACLENS (Cross-Attention & Contrastive Learning-enabled Enzyme Selection)框架，将CGC（Customized Gate Control）门控机制、对比学习与交叉注意力等方法深度融合，构建出可同时执行多项预测任务的一体化酶筛选平台。

图1：基于多任务模型的新功能酶智能挖掘与筛选框架

CACLENS能以较低的计算成本同时完成反应类型分类、酶EC号预测与反应可行性评估三项关键任务，并在多个任务上展现出显著优势。具体而言，在反应类型分类中，经过对ADP/ATP/H⁺等常见辅因子清洗处理后，模型性能优于现有方法rxnfp；在EC号预测方面，整体表现超过主流模型CLEAN；在反应可行性评估中，即使采用偏向ESP与EnzRank的评估策略，CACLENS仍取得更佳结果，并能稳健处理未见过或与训练集序列相似度较低的酶。

针对真菌毒素玉米赤霉烯酮（ZEN），研究团队以CACLENS的多任务联合预测结果为基础，从大规模序列空间中快速筛选出10个潜在降解酶候选体。随后，通过基因合成、异源表达与纯化获得相应酶蛋白，并对其降解性能开展系统实验验证。结果表明，约一半的候选酶具有对ZEN 的催化活性，其中ZD4与ZD7能够在体外体系中降解超过90%的ZEN。

图2：ZEN与ZOL及其降解产物的色谱图

整体来看，CACLENS在三项任务中均展现出稳健、领先的预测能力，证明其在功能酶筛选中的重要应用潜力。该研究为多领域的新型功能酶挖掘提供了技术支撑，也为未来构建智能化酶工程设计平台、继续深入挖掘真菌毒素降解新酶奠定了基础。

中国科学院上海营养与健康研究所武爱波研究员、田野副研究员为该论文的通讯作者，博士研究生伊西龙为第一作者。该工作得到国家自然基金委杰出青年科学基金、科技部国家重点研发计划、上海市农业科技创新等项目支持。

原文链接：

https://advanced.onlinelibrary.wiley.com/doi/10.1002/advs.202518063

推送单元：武爱波研究组、科技规划与任务处