【封面文章】北京大学张文彬| TmPred：利用蛋白质语言模型和深度学习增强对嗜热蛋白质的熔点预测

本文针对嗜热蛋白质熔点预测这一研究热点展开。背景方面，嗜热蛋白质因其高温稳定性在工业应用中具有重要价值，但传统预测方法在高温区间表现欠佳。研究目的旨在通过融合蛋白质语言模型与深度学习技术，开发新型预测模型TmPred。该模型采用多模态信息输入，结合图卷积神经网络和引入注意力机制的Graphormer模块，实现了对蛋白质序列与结构信息的有效表征与融合。实验结果表明，TmPred在测试集上的均方根误差、皮尔逊相关系数和决定系数分别达到5.48°C、0.784和0.613，相比现有最优模型性能显著提升，并在独立盲测中展现出优异的泛化能力。结论证实TmPred为嗜热蛋白质的挖掘与改造提供了可靠的计算工具。