kcat-km-v14-esmfull
предсказание кинетики ферментов
2 min readupdated
Модель kcat-km-v14-esmfull от автора VallemKeerthi решает задачу совместного предсказания кинетических параметров ферментативных реакций — log10_kcat и log10_km — по паре из молекулы субстрата (в формате SMILES) и аминокислотной последовательности фермента. Внутри объединены классические алгоритмы машинного обучения (ExtraTrees и HistGradientBoosting), регрессор ближайших соседей (kNN) и белковая языковая модель ESM-2 на 35M параметров (facebook/esm2_t12_35M_UR50D) в формате ONNX. Такой ансамбль с учётом структурного и последовательностного сходства позволяет стабильно оценивать каталитическую активность даже в условиях жёстких ограничений по времени. Инструмент пригодится биоинформатикам, вычислительным биологам и исследователям в области белковой инженерии.
Ключевые особенности
- Гибридные признаки: для субстрата используются ключи MACCS, свернутые счётчики Morgan и дескрипторы RDKit, а для фермента — аминокислотный состав и усреднённые скрытые состояния слоёв 6, 8 и 12 модели ESM-2 (35M), сжатые с помощью PCA.
- Ансамбль моделей: для каждой целевой метрики комбинируются ExtraTrees и HistGradientBoosting, дополненные ядерным kNN-регрессором на основе сходства Танимото для субстратов и сходства Жаккара по 3-мерам для последовательностей.
- Контроль времени инференса: этап извлечения эмбеддингов ESM имеет ограничение по времени выполнения — белки, не обработанные вовремя, оцениваются резервной моделью без ESM (вес в финальном бленде 0.25).
- Валидация с учётом кластеров: веса смешивания и параметры kNN подбираются на кросс-валидации с группировкой по кластерам последовательностей для предотвращения утечек данных.
Что можно сделать
- Оценивать каталитическую эффективность (
kcatиKm) для новых пар «фермент — субстрат» при скрининге кандидатов в задачах белковой инженерии. - Использовать готовый пайплайн с
predict.pyи Docker-контейнером для пакетного расчёта параметров в рамках биоинформатических соревнований или вычислительных экспериментов.
Пример
python export_onnx.py --src facebook/esm2_t12_35M_UR50D --out weights/esm --cache esm35_multi_mean.npz
python train.py --train ../data/train.parquet --cache esm35_multi_mean.npz --cvПодробнее
Метрика качества: средний коэффициент корреляции Спирмена (cluster-CV mean SCC) составляет 0.5555.Обработка белка: длинные последовательности разбиваются на окна по 1022 остатка и прогоняются через ESM-2 (35M) в точности fp32.
Постобработка: смешивание с версией без ESM и сглаживание (shrinkage) внутри каждого фермента.
В репозитории включены скрипты
predict.py, train.py, Dockerfile и зафиксированные зависимости requirements.lock.txt.









Comments