簡介：預測酶動力學參數是酶發現和酶工程中的一項重要任務。在此，研究人員基于蛋白質語言模型、小分子語言模型和分子指紋，提出了一種名為 CataPro 的新酶動力學參數預測算法。該研究從 BRENDA 和 SABIO-RK 數據庫中收集了最新的轉化率（kcat）、邁克爾常數（Km）和催化效率（kcat/Km）數據。根據 0.4 的蛋白質序列相似性對這些數據進行聚類，我們得到了相應的 10 倍交叉驗證數據集。CataPro 在這些無偏 10 倍交叉驗證數據集上進行了訓練，在預測 kcat、Km 和 kcat/Km 方面的性能優于之前的預測器。

安裝教程：

1、創建并激活虛擬環境

conda create -n catapro python=3.10
conda activate catapro

?2、按照環境的需求安裝以下必要的軟件包

? ? pytorch >= 1.13.0
? ? transformers
? ? numpy
? ? pandas
? ? RDKit

conda install pytorch==2.2.2 torchvision==0.17.2 torchaudio==2.2.2 pytorch-cuda=11.8 -c pytorch -c nvidia    # 安裝GPU版本的torchconda install -c conda-forge rdkit -y    # 安裝化學信息處理的開源工具包rdkitpip install transformers pandaspip install "numpy<2"        # 因為PyTorch 版本的兼容問題，所以要安裝numpy<2pip install sentencepiece    # 加載 ProtT5_model 和 MolT5_model 時需要用到 HuggingFace 的 T5Tokenizer，而 T5Tokenizer 依賴于 SentencePiece 庫

3、安裝并初始化 Git LFS

conda install -c conda-forge git-lfs -y    # HuggingFace 模型倉庫使用了 Git LFS (Large File Storage)，專門用來處理大型文件的版本控制（比如模型權重）
git lfs install    # 初始化 Git LFS

4、下載所需的預訓練模型：?prot_t5_xl_uniref50?and?molt5-base-smiles2caption

# 步驟1：先只克隆元數據，不自動下載 LFS
# 這條命令告訴 git：只克隆倉庫結構，不要拉取 LFS 文件。執行后你可以 cd prot_t5_xl_uniref50 看一下文件結構，此時 .bin 文件的大小可能是幾十字節（是一個指針文件）。
GIT_LFS_SKIP_SMUDGE=1 git clone https://huggingface.co/Rostlab/prot_t5_xl_uniref50# 步驟2：手動拉取權重文件，這一步才會真正開始下載 .bin 文件（模型權重），你會看到下載進度條。
cd prot_t5_xl_uniref50
git lfs pull

# molt5-base-smiles2caption的安裝與上面相同
GIT_LFS_SKIP_SMUDGE=1 git clone https://huggingface.co/laituan245/molt5-base-smiles2captioncd molt5-base-smiles2caption
git lfs pull

# 安裝openpyxl，是pandas 用于寫入 Excel 文件的依賴
pip install openpyxl

5、測試運行

# 使用以下命令運行CataPro來推斷酶促反應的動力學參數python predict.py \-inp_fpath samples/sample_inp.csv \-model_dpath models \-batch_size 64 \-device cuda:0 \-out_fpath catapro_prediction.csv

輸出結果如下：

參考鏈接：zchwang/CataPro: A generalized enzyme kinetics parameter prediction model.

參考文獻：Robust enzyme discovery and engineering with deep learning using CataPro | Nature Communications