AI 模型将酶热稳定性提升最多 37°C，无需成对训练样本

KevinKaichuang · x · 2026-11-07

Chalmers 大学 Zelezniak 团队在 bioRxiv 发布论文《Cross-family learning transfers thermal adaptation between enzymes》：训练的模型可将酶的热稳定性提升最多 +37°C，同时保持或提高催化活性，且不需要成对的常温/嗜热酶训练数据。

论文构建了大规模数据 pipeline：从 JGI 宏基因组（约 5100 万条）与 UniProtKB（约 2 亿条）过滤非冗余酶序列，用 EggNOG COG 划分 4471 个蛋白家族，其中 4166 个用于训练（约 1700 万条）、10 个家族留作验证（约 45 万条）。方法用生成模块加上进化一致性、替换率控制与热适应判别器等多重约束，实现跨家族迁移热适应性。