中国青年学者一作，最新Nature，已全职回国，加盟南京师范大学！

本文针对酶底物特异性预测的挑战，开发了EZSpecificity深度学习模型。研究背景源于数百万种酶缺乏可靠底物特异性数据，限制了其实际应用。研究目的是通过整合酶序列、三维结构和酶-底物复合物信息，构建能准确预测酶特异性的新方法。该模型采用SE(3)-等变图神经网络和交叉注意力机制，并基于包含32万多个酶-底物对的ESIbank数据库进行训练。实验验证表明，在多种酶家族和最具挑战性的未知酶&底物场景中，该模型的AUROC值达0.7198，显著优于现有工具，特别是在卤化酶数据集上准确率达到91.7%。结论显示该模型为生物催化、合成生物学和药物发现提供了强大新工具。