综述：人工智能在酶功能分类中的应用

《TRENDS IN Biotechnology》：Enzyme functional classification using artificial intelligence

这篇综述系统阐述了人工智能（AI）在酶功能分类领域的革命性进展，重点介绍了深度学习（DL）模型（如CNN、RNN、Transformer和GNN）如何通过多模态特征提取与算法优化，显著提升酶功能预测的准确性与效率。文章还探讨了计算生物学与机器学习（ML）的交叉应用，为酶工程与药物开发提供了新范式。

　　

Highlights

近年来，计算生物学（Computational Biology）的快速发展，尤其是深度学习（Deep Learning, DL）模型的突破，极大加速了酶功能的发现与注释进程。通过整合序列、结构及进化等多维度数据，研究者已开发出多种高效的特征提取方法，结合机器学习（Machine Learning, ML）算法（如支持向量机SVM、随机森林RF），构建了高性能的酶功能分类模型。

深度学习架构的革新

卷积神经网络（CNN）擅长捕捉酶序列中的局部保守模式，而循环神经网络（RNN）则能解析长距离依赖关系。Transformer模型通过自注意力机制（Self-attention）实现了全局特征关联分析，而图神经网络（GNN）进一步将酶的三维结构信息转化为拓扑图数据，显著提升了EC编号（Enzyme Commission number）预测的精度。

数据驱动的功能预测

AI技术通过自动化处理海量酶学数据（如UniProt、BRENDA数据库），解决了传统实验方法耗时耗力的瓶颈。例如，AlphaFold²预测的蛋白质结构可作为GNN的输入，结合动力学模拟（MD）数据，实现从静态结构到动态功能的跨越。

应用与挑战

尽管AI模型在酶活性位点识别、底物特异性预测等方面表现优异，但仍面临数据噪声、小样本学习等挑战。未来，多模态融合（如结合代谢通路KEGG和化学指纹PubChem）与可解释性AI（XAI）将是重点方向。