kcat-km-esm2-sub4
предсказание кинетических параметров ферментов
2 мин чтенияобновлено
Модель решает задачу биоинформатики: по аминокислотной последовательности фермента и структуре субстрата она предсказывает логарифмические значения константы скорости реакции (log10_kcat) и константы Михаэлиса (log10_Km). Решение от автора kevinp0 объединяет две ветки нейросетевых комитетов (two-tower network на базе белковой языковой модели ESM2-35M и химических дескрипторов RDKit) с градиентным бустингом LightGBM и деревьями ExtraTrees. В отличие от отдельных базовых алгоритмов, ансамбль сочетает глубокие белковые эмбеддинги, статистику по субстратам и композиционные признаки последовательности, а также умеет укладываться в жёсткий лимит времени при работе на CPU. Инструмент пригодится биоинформатикам, вычислительным биологам и участникам профильных ML-соревнований.
Ключевые особенности
- Гибридный ансамбль: итоговый прогноз складывается из нейросетевого комитета на ESM2-35M (вес 0.30), ExtraTrees (0.50) и LightGBM (0.20).
- Двухбашенная нейросеть: отдельные ветки обрабатывают эмбеддинги белка (ESM2) и признаки субстрата из RDKit (Morgan fingerprints, MACCS keys и 2D-дескрипторы), после чего объединяются через
[p, l, p*l]. - Контроль времени на CPU: инференс построен с жёсткими тайм-аутами (укладывается в 10 минут), использует int8-квантованный ESM2-35M и запасной комитет на ESM2-8M для длинных последовательностей.
- Расширенная обучающая выборка: помимо 42 524 пар из основного датасета, использованы 27 863 отфильтрованные записи из баз BRENDA и SABIO-RK.
Что можно сделать
- Запустить пакетное предсказание параметров
log10_kcatиlog10_kmдля пар «фермент — субстрат» из файла формата Parquet с сохранением в CSV. - Использовать готовые веса из папки
weights/для воспроизведения решения или доработки ансамбля в задачах ферментативной кинетики.
Пример
python predict.py --input INPUT.parquet --output OUTPUT.csvПодробнее
Кросс-валидация (5 фолдов, группировка по гомологии с порогом 3-mer cosine > 0.25): Mean SCC = 0.573 (kcat SCC = 0.463, Km SCC = 0.682) против 0.383 у стартового ridge-бейзлайна.Железо и скорость: рассчитана на инференс на CPU с общим бюджетом 10 минут (до 150 с на дескрипторы, до 430 с на int8 ESM2-35M, до 520 с на ESM2-8M).
В состав репозитория включены веса
facebook/esm2_t6_8M_UR50D, facebook/esm2_t12_35M_UR50D и обученные файлы ансамбля.









Комментарии