南京师范大学教授入选国家级青年人才，第一作者发《Science》、在《Nature》取得重要突破，91.7%准确率！

本文针对酶底物特异性预测这一生命科学领域的核心挑战展开研究。背景方面，酶作为高效生物催化剂在多个前沿领域应用广泛，但其底物特异性机制尚未完全解析，制约了生物工程和新药研发。研究目的是开发能够精准预测酶-底物相互作用的新型计算模型EZSpecificity，该模型融合机器学习与结构生物学，采用SE(3)-等变图神经网络架构和交叉注意力机制，通过大规模酶-底物配对数据训练实现功能建模。结论表明该模型在验证实验中达到91.7%的预测准确率，显著优于现有方法，展现出强大的泛化能力，不仅为酶功能预测提供高效工具，更揭示了酶结构与功能的深层关联，推动了对生物催化多样性的理解。