从零入门：基于对比学习的酶功能预测实战指南

1次阅读

共计 2094 个字符，预计需要花费 6 分钟才能阅读完成。

酶功能分类采用 EC 编号系统（Enzyme Commission numbers），例如 EC 1.1.1.1 代表乙醇脱氢酶。传统 BLAST 方法通过序列相似性推断功能，但存在两个致命缺陷：

相似序列≠相同功能：约 15% 的序列相似酶具有不同活性（Ahmad 等，2016）
新酶预测困难：无法处理序列相似度低于 30% 的未知酶

方法	需要标注数据	捕捉远程关系	计算成本
传统监督学习	高	弱	低
图神经网络	中	强	高
对比学习(本文)	低	强	中

import torch
from esm import pretrained

# 加载预训练模型（需先 pip install fair-esm）model, alphabet = pretrained.load_model_and_alphabet('esm2_t33_650M_UR50D')
batch_converter = alphabet.get_batch_converter()

def get_esm_embedding(sequence):
    # 输入格式：[("seq1", "ACDEF...")]
    batch_labels, batch_strs, batch_tokens = batch_converter([("", sequence)])
    with torch.no_grad():
        results = model(batch_tokens, repr_layers=[33])
    return results["representations"][33][:, 1:-1, :].mean(dim=1)  # 取第 33 层嵌入并平均

正样本：同一 EC 编号下的不同酶（即使序列相似度 <40%）
硬负样本：相同超家族但不同功能（通过 Pfam 数据库筛选）
简单负样本：随机选择非同源序列

class SimCLR(nn.Module):
    def __init__(self, hidden_dim=128):
        super().__init__()
        self.projection = nn.Sequential(nn.Linear(1280, 512),  # ESM- 2 输出维度
            nn.ReLU(),
            nn.Linear(512, hidden_dim)
        )
        self.temperature = 0.5  # 超参数需网格搜索

    def forward(self, x1, x2):
        # 双塔结构处理两个增强视图
        z1 = self.projection(x1)
        z2 = self.projection(x2)

        # 计算 NT-Xent 损失
        z1 = F.normalize(z1, dim=1)
        z2 = F.normalize(z2, dim=1)
        logits = torch.mm(z1, z2.T) / self.temperature
        labels = torch.arange(z1.size(0)).to(device)
        loss = F.cross_entropy(logits, labels)
        return loss

# 关键超参数设置（基于网格搜索）optimizer = torch.optim.AdamW(model.parameters(), lr=3e-4, weight_decay=1e-4)
scheduler = torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max=100)

# 混合精度训练节省显存
scaler = torch.cuda.amp.GradScaler()
with torch.cuda.amp.autocast():
    loss = model(aug1, aug2)
scaler.scale(loss).backward()
scaler.step(optimizer)
scaler.update()