[论文解读] ECRECer: Enzyme Commission Number Recommendation and Benchmarking based on Multiagent Dual-core Learning

Zhenkun Shi, Qianqian Yuan+4 more|arXiv (Cornell University)|Feb 8, 2022

Machine Learning in Bioinformatics被引用 5

一句话总结

ECRECer 提出了一种基于多智能体双核深度学习框架的方法，利用蛋白质语言模型进行序列嵌入，并结合极端多标签分类，以实现酶学委员会（EC）编号的预测，性能达到当前最先进水平。与现有方法相比，其准确率和 F1 分数分别提高了 70% 和 20%，并提供在线网页服务器和离线软件包，支持高通量使用。

ABSTRACT

Enzyme Commission (EC) numbers, which associate a protein sequence with the biochemical reactions it catalyzes, are essential for the accurate understanding of enzyme functions and cellular metabolism. Many ab-initio computational approaches were proposed to predict EC numbers for given input sequences directly. However, the prediction performance (accuracy, recall, precision), usability, and efficiency of existing methods still have much room to be improved. Here, we report ECRECer, a cloud platform for accurately predicting EC numbers based on novel deep learning techniques. To build ECRECer, we evaluate different protein representation methods and adopt a protein language model for protein sequence embedding. After embedding, we propose a multi-agent hierarchy deep learning-based framework to learn the proposed tasks in a multi-task manner. Specifically, we used an extreme multi-label classifier to perform the EC prediction and employed a greedy strategy to integrate and fine-tune the final model. Comparative analyses against four representative methods demonstrate that ECRECer delivers the highest performance, which improves accuracy and F1 score by 70% and 20% over the state-of-the-the-art, respectively. With ECRECer, we can annotate numerous enzymes in the Swiss-Prot database with incomplete EC numbers to their full fourth level. Take UniPort protein "A0A0U5GJ41" as an example (1.14.-.-), ECRECer annotated it with "1.14.11.38", which supported by further protein structure analysis based on AlphaFold2. Finally, we established a webserver (https://ecrecer.biodesign.ac.cn) and provided an offline bundle to improve usability.

研究动机与目标

• 解决因蛋白质序列人工注释缓慢而导致的酶功能注释关键瓶颈。
• 克服现有 EC 预测工具的局限性，包括准确率低、召回率差以及非专家用户难以使用的问题。
• 开发一个统一的高性能框架，整合先进的蛋白质表征方法与可扩展的多标签分类技术。
• 提供一个可基准测试的平台，包含开放数据集、代码和工具，以加速酶注释领域的可重复研究。
• 实现对未表征蛋白质（尤其是 *Corynebacterium glutamicum* 等注释不足的生物体）的高通量、高精度 EC 编号预测。

提出的方法

• 采用蛋白质语言模型（ESM）作为嵌入核心，生成蛋白质序列的上下文相关表征，替代人工特征工程。
• 实施多智能体双核架构，包含专用嵌入核心与学习核心，以处理三项独立任务：酶/非酶分类、多功能酶功能数量预测以及完整 EC 编号预测。
• 使用极端多标签分类头同时预测多达 5,000 个以上 EC 编号，通过贪婪标签整合与微调策略提升性能。
• 评估多种蛋白质表征方法（one-hot、Unirep、ESM），并通过系统性消融实验选择最优嵌入策略。
• 设计网页服务器与独立的离线软件包，确保无编程经验的研究人员也能轻松使用。
• 从 Swiss-Prot 构建三个标准化基准数据集，包含超过 470,000 个带标签的蛋白质序列，以实现公平且可重复的评估。

实验结果

研究问题

• RQ1 基于蛋白质语言模型的嵌入方法是否能显著提升 EC 编号预测的准确率，相较于传统特征工程？
• RQ2 具有联合多任务学习的多智能体双核学习框架在极端多标签 EC 预测任务中是否能显著提升性能？
• RQ3 在真实世界、多样化的蛋白质数据集上，ECRECer 在准确率、F1 分数和召回率方面是否能显著超越现有最先进方法？
• RQ4 所提出的框架是否能有效注释以往未被注释的蛋白质，特别是在注释不足的生物体（如 *Corynebacterium glutamicum*）中？
• RQ5 网页服务器与离线软件包的集成是否显著提升了非专业生命科学研究人员的使用便利性与采纳率？

主要发现

• ECRECer 相较于最先进方法，准确率提升 70%，F1 分数提升 20%，展现出卓越的预测性能。
• 该模型成功为 UniProt 蛋白质 A0A0U5GJ41 预测出 EC 编号 1.14.11.38，且经由基于 AlphaFold2 的结构分析验证。
• 在 *Corynebacterium glutamicum* 的高通量测试中，ECRECer 为 1,056 个未注释蛋白质分配了 EC 编号，远超 DeepEC 的 157 个。
• 该工具在精度-召回率平衡方面优于现有方法，在受控基准测试中，EC 编号预测的准确率与召回率均超过 90%。
• 网页服务器（https://ecrecer.biodesign.ac.cn）与离线软件包可实现对单个或大规模蛋白质集合的无缝、可扩展预测。
• 所有训练数据、模型、代码与评估脚本均公开提供，支持完全可重复研究与社区扩展。