酶改造-酶功能大模型与SMILES表征

置顶 | 发表于 | 分类于
整理酶功能/动力学预测大模型中与 SMILES 相关的角色：底物线性编码、典型双支路架构、代表工作（UniKP、DLKcat、DeepEnzyme 等）、数据与清洗注意；附 RDKit/PyTorch 实践实例。

简化分子线性输入规范（Simplified Molecular Input Line Entry System，SMILES） 用单行 ASCII 字符串描述小分子（及可表达的部分聚合物片段）的分子图（原子、键、芳香性、支链等），是化学信息学里最常用的「可机读结构」之一。酶学机器学习里，酶功能/动力学大模型若要同时吃「蛋白质序列」与「底物化学结构」，通常会把底物统一成 SMILES（或由其派生的分子图），再经 Transformer、图神经网络（Graph Neural Network，GNN） 或 指纹 等编码，与 蛋白质语言模型（Protein Language Model，PLM） 支路对齐。本文只做脉络整理，不展开各模型公式。

段末注释：SMILES 与 InChI 等同为标识符体系，SMILES 更短、便于当「序列」喂给字符级模型；GNN 在分子上常以原子为节点、化学键为边。

1. 为什么在「酶 + 大模型」里总看到 SMILES？

需求 SMILES 能提供的 局限（工程上常踩坑）
把底物结构与氨基酸序列拼在同一套深度学习管线里 一维字符串，易与 ProtT5 / ESM 等「序列模型」并列为两条支路 同一结构可有多种合法 SMILES（需 canonicalize 规范化）
与公开数据库对接 PubChem、ChEBI、KEGG 等常提供或可转换 SMILES / CID 盐、溶剂合物、多组分（见 §4）
下游任务：kcat、Km、选择性等 结构决定相互作用，比「底物名称字符串」可泛化 对金属配位、大肽底物等，SMILES 未必是唯一或最佳表示

一句话：SMILES 是「底物分支」的通用输入语言；酶分支则多为 PLM 或 CNN/n-gram 序列编码。

2. 典型信息流（双支路）

1
2
3
4
5
底物 SMILES → [RDKit 解析] 或 [Tokenizer] → 分子图 / SMILES 字符序列
                    ↓
            底物嵌入（Transformer / GCN / 指纹）
                    ↓
              与酶向量拼接/融合 → 读出头（kcat、Km、…）
  • 序列式 SMILES 模型：把 SMILES 当字符序列，用 Transformer 编码（如 UniKP 中的 SMILES Transformer）。
  • 图式模型：MolFromSmiles → 原子/键特征 + 邻接矩阵 → GCN / GAT（如 DeepEnzyme 底物支路；DLKcat 用 GNN 作用于分子图，图由 SMILES 派生）。

段末注释：GCN 为图卷积网络；GAT 为图注意力网络；RDKit 为开源化学信息学工具包。

3. 代表工作一览（与 SMILES 的关系）

工作（常见简称） 底物侧如何用 SMILES 酶侧 站内长文
UniKP SMILES Transformer（预训练），字符级嵌入 + pooling 拼成 1024 维分子向量，与 ProtT5 酶向量拼接 ProtT5-XL-UniRef50 嵌入 酶改造-modelpaper-UniKP
EF-UniKP 同上 + 环境因子（pH、温度等）重加权扩展 同上 同上
DeepEnzyme SMILES → RDKit 分子对象 → 指纹 + 分子图 GCN Transformer（序列）+ 蛋白接触图 GCN（结构） 酶改造-modelpaper-DeepEnzyme
DLKcat 底物 SMILES → 分子图 → GNN 序列 CNN（n-gram） 可对照 Nature Catalysis 原文与 Tamarind DLKcat
TurNuP 等 文献中常以 SMILES/InChI 统一底物（具体以各文 Methods 为准） 多样 可在 酶改造-03 数据篇交叉检索

段末注释：EF-UniKP 为 UniKP 的环境因子扩展版；TurNuP 为另一套 kcat 预测代表工作，底物编码方式以论文为准。

4. 数据与清洗：做数据集时建议统一规则

以下与 UniKP 等文剔除规则及常见实践一致，便于复现与对齐。

  1. 规范化：同一底物尽量用 RDKit MolToSmiles(MolFromSmiles(s), canonical=True) 得到 canonical SMILES，减少「字符串不同、分子相同」带来的伪多样性。
  2. 多底物/反应混合物：SMILES 中用 「.」 分隔的多组分（如辅因子、双底物未写成反应式）在监督学习里常被整条剔除或拆分为多任务，需在论文/README 中显式声明（UniKP 对含 「.」 样本的处理见站内 UniKP 文）。
  3. 稀有氨基酸 / 非标准片段：蛋白质侧用 X 等约定；小分子侧对无法解析的 SMILES 应丢弃或手工策展。
  4. 立体化学：若任务对手性敏感，需在 SMILES 中保留 @ / @@ 等标记，并在划分训练/测试时避免数据泄漏（同一不同 SMILES 写法的重复）。

5. 与其它分子编码的并列（可选）

表示 特点 在模型中的常见用法
SMILES 紧凑、序列化友好 Transformer、RNN、字符级 tokenizer
SELFIES 语法上更「可合法化」，利于生成式模型 部分生成/设计工作流
分子图（原子为节点） 与化学键拓扑一致 GNN（输入常由 SMILES 或 SDF 解析）
Morgan 等指纹 固定长度向量 传统机器学习 + 轻量深度模型

酶功能「大模型」语境下，SMILES 仍是数据交换与复现的事实标准；真正进网络的是 SMILES 派生的张量（嵌入或图）。

6. 实践实例：从 SMILES 与条件到张量（Python）

以下用乙醇为底物、pH 与温度为条件，演示与 §2 一致的管线：规范化 SMILES → 底物向量（序列嵌入池化 / Morgan 指纹 / 图张量）→ 条件向量 → 拼接。依赖：RDKit（化学信息学工具包，常用 RDKit 指代）与 PyTorch（深度学习框架，PyTorch）。安装示例：pip install rdkit torch。

段末注释：PyTorch 中 张量（tensor） 即多维数组；下文维度与 UniKP 的 1024 维不必强行一致，重在流程可复现。

6.1 场景与目标

项目 取值（示例）
底物 乙醇，原始 SMILES 可写 CCO 或 C(C)O
条件 pH = 7.4，热力学温度 T = 298 K（约 25 °C）
目标 得到可供 MLP 读出头的 底物向量 s、条件向量 c 及拼接示例 z

6.2 步骤 1：规范化 canonical SMILES

同一分子多种写法时，用 RDKit 统一为 canonical SMILES，与 §4 一致。

1
2
3
4
5
6
7
8
9
10
from rdkit import Chem

raw_smiles = "C(C)O"  # 与 "CCO" 等价的一种写法
mol = Chem.MolFromSmiles(raw_smiles)
if mol is None:
    raise ValueError("无法解析 SMILES")

canon_smiles = Chem.MolToSmiles(mol, canonical=True)
# 乙醇常见输出: "CCO"
print("canonical:", canon_smiles)

6.3 步骤 2A：序列式——字符 id → Embedding → mean pooling

与 UniKP 的 SMILES Transformer 同型：字符序列 → 嵌入 → 编码器（此处用池化代替预训练 Transformer 以减小依赖）。生产环境应替换为预训练的 SMILES Transformer 与论文一致词表。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
import torch
import torch.nn as nn

# 词表：当前分子字符 + 常见 SMILES 字符（真实项目应从全库统计）
charset = sorted(set(canon_smiles) | set("CNOSPFclBrI@+-=#$%0123456789()[]\\.:/"))
stoi = {c: i + 1 for i, c in enumerate(charset)}  # 0 保留给 padding
pad_idx = 0

ids = torch.tensor([stoi[c] for c in canon_smiles], dtype=torch.long)
emb = nn.Embedding(num_embeddings=len(stoi) + 1, embedding_dim=256, padding_idx=pad_idx)
torch.manual_seed(0)
# (L, d_model)
x = emb(ids)
s_seq = x.mean(dim=0)  # mean pooling -> 底物向量 s_seq ∈ R^256
print("s_seq shape:", tuple(s_seq.shape))

6.4 步骤 2B：指纹式——Morgan 指纹 固定维向量

DeepEnzyme 等路线常用 SMILES → Mol → 指纹，得到固定长度二值或浮点向量，便于与传统机器学习或浅层网络拼接。

1
2
3
4
5
6
7
8
9
import numpy as np
from rdkit.Chem import AllChem
from rdkit.Chem import DataStructs

n_bits = 2048
fp = AllChem.GetMorganFingerprintAsBitVect(mol, radius=2, nBits=n_bits)
s_fp = np.zeros((n_bits,), dtype=np.float32)
DataStructs.ConvertToNumpyArray(fp, s_fp)
print("s_fp shape:", s_fp.shape, "sum(bits):", int(s_fp.sum()))

6.5 步骤 2C：图式——邻接矩阵与节点标量特征（供 GNN 使用）

DLKcat 等：SMILES 解析为 Mol 后构造分子图。此处仅导出 PyTorch 可用的 节点特征与邻接；GNN 前向需另写 torch_geometric 或自实现消息传递。

1
2
3
4
5
6
7
8
9
10
11
import numpy as np
from rdkit.Chem import rdmolops

n = mol.GetNumAtoms()
# 节点特征示例：原子序数归一化（真实工作常用 one-hot 原子类型、价、芳香性等）
node_feat = torch.zeros(n, 1, dtype=torch.float32)
for i in range(n):
    node_feat[i, 0] = mol.GetAtomWithIdx(i).GetAtomicNum() / 100.0

adj = torch.from_numpy(rdmolops.GetAdjacencyMatrix(mol).astype(np.float32))
print("node_feat:", tuple(node_feat.shape), "adj:", tuple(adj.shape))

6.6 步骤 3：反应条件数值化与拼接

pH、T 不来自 SMILES，需单独特征；下列线性缩放仅为演示（与 EF-UniKP 等论文中的具体归一化以原文为准）。

1
2
3
4
5
6
7
8
9
ph, T_k = 7.4, 298.0
# 演示用缩放，非文献唯一标准
c = torch.tensor(
    [(ph - 7.0) / 2.0, (T_k - 273.15) / 50.0],
    dtype=torch.float32,
)
# 与序列底物向量拼接，供下游 MLP（酶向量 e 可同理拼接）
z_demo = torch.cat([s_seq, c], dim=0)
print("c shape:", tuple(c.shape), "z_demo (s_seq||c) shape:", tuple(z_demo.shape))

6.7 单脚本串联（可选）

将 6.2–6.6 置于同一 if __name__ == "__main__" 中时，须共用同一个 mol（由 6.2 解析得到），并按顺序执行；6.3 依赖 6.2 的 canon_smiles，6.4–6.5 依赖 6.2 的 mol。

段末注释：mean pooling 为对序列维求平均；Morgan 指纹 在 RDKit 中默认 ECFP 类圆形指纹的一种实现。

7. 小结

  • SMILES 在酶功能/动力学模型里几乎总是底物（或底物侧）的入口表示，与 PLM 负责的酶序列并列。
  • UniKP 用 SMILES Transformer；DeepEnzyme / DLKcat 用 SMILES → 图/指纹——选型取决于是否要显式图结构与可解释性。
  • 工程关键：canonical 化、多组分处理、立体化学一致性。
  • 实践：§6 给出从 RDKit 解析到 PyTorch 张量的可运行骨架；替换预训练编码器即可对齐文献级模型。

8. 延伸阅读（检索关键词）

  • enzyme kcat prediction SMILES, SMILES Transformer Honda, UniKP ProtT5, DLKcat molecular graph, RDKit canonical SMILES enzyme
-------------本文结束感谢您的阅读-------------