酶 EC number 预测工具CLEAN的安装和使用

写在前面

酶往往根据其可以催化的化学反应进行分类，最广为人知的酶催化功能数字分类方案是酶委员会(EC)编号，每个EC编号都与酶催化的化学反应相关，所有催化相同反应的酶都具有相同的EC编号。因此，EC编号是到目前为止最常用的酶分类方案，它使用四位数字来确定酶的催化功能，通过预测EC编号，可以用来完全确定酶的催化功能。针对现有模型无法对研究较少的蛋白质，或者具有未表征功能，或者多种活性的蛋白质的功能进行准确注释的问题，研究人员基于对比学习机制开发了一种酶蛋白功能预测的AI深度学习框架CLEAN。CLEAN 基于 UniProt 的高质量数据库进行训练，通过输入氨基酸序列就可得到酶功能编号（EC, Enzyme commission，指示酶催化哪种反应的 ID 代码）的可能性排序列表。为了验证 CLEAN 的准确性和稳健性，作者团队不仅进行了大量的计算机运算实验，还使用 CLEAN 为 36 个分类的卤化酶的进行功能注释 EC 编号，结合实际实验验证结果，综合表明 CLEAN 在这些酶功能预测任务中比其他工具更具优越性。

一、安装教程

1. 克隆项目代码

git clone https://github.com/tttianhao/CLEAN.git
cd CLEAN/app

2. 创建 Conda 环境

确保你已经安装了 Anaconda 或 Miniconda。

conda create -n clean python==3.10.4 -y
conda activate clean

说明：这里我们新建了一个名为 clean 的虚拟环境，Python 版本为 3.10.4。

3. 安装依赖

进入项目目录后，使用 pip 安装所需依赖：

pip install -r requirements.txt

4. 安装 PyTorch + CUDA 11.3

# CUDA 11.3
conda install pytorch==1.11.0 torchvision==0.12.0 torchaudio==0.11.0 cudatoolkit=11.3 -c pytorch

5. 下载预训练权重

• 下载并解压官方提供的预训练模型（70% / 100% split），以及 cluster embeddings 文件。

• 把解压后的内容放到：data/pretrained/（没有下载这部分文件的话，推理会报错）

• 注意：解压完之后文件命名可能会修改，需要将文件名更改为 pretrained ，否则后续会报错

unzip pretrained.zip

6. 构建依赖模块

python build.py install

这是 CLEAN 的自定义构建步骤，必须执行。

7. 安装 Facebook ESM（蛋白质语言模型依赖）

git clone https://github.com/facebookresearch/esm.git

8. 准备 ESM 数据目录

该目录将存储esm的embedding文件（.pt文件）

mkdir data/esm_data

二、使用教程

1. 执行示例推理脚本

python CLEAN_infer_fasta.py --fasta_data price

执行上述脚本你的时候会默认下载esm的模型权重：esm1b_t33_650M_UR50S，但是由于网络等原因可能遇到下面的问题，解决方案就是下载到本地在传输到服务器上即可；

RuntimeError: unexpected EOF, expected ... The file might be corrupted.

显示以下的信息说明执行成功：

结果将保存在以下目录中：results/inputs/price_maxsep.csv

2. 通用推理脚本

python CLEAN_infer_fasta.py --fasta_data <name>

• 只接收一个参数：--fasta_data（字符串）。

• 语义：不带扩展名的 FASTA 基名。
  示例：--fasta_data test → 期望存在 data/inputs/test.fasta。

• 推理结果：会保存在以下路径中 results/<name>.csv

脚本会自己去找 data/inputs/<name>.fasta，传入 test 而不是 test.fasta；否则最后清理时会去删 test.fasta.csv 这种不存在的路径

3. 结果分析和对比

选择部分序列使用上述命令行进行预测，并同步在CLEAN的网页端（Clean）也进行预测，对两个结果进行比较；

>WP_063460136
MAIPPYPDFRSAAFLRQHLRATMAFYDPVATDASGGQFHFFLDDGTVYNTHTRHLVSATRFVVTHAMLYRTTGEARYQVGMRHALEFLRTAFLDPATGGYAWLIDWQDGRATVQDTTRHCYGMAFVMLAYARAYEAGVPEARVWLAEAFDTAEQHFWQPAAGLYADEASPDWQLTSYRGQNANMHACEAMISAFRATGERRYIERAEQLAQGICQRQAALSDRTHAPAAEGWVWEHFHADWSVDWDYNRHDRSNIFRPWGYQVGHQTEWAKLLLQLDALLPADWHLPCAQRLFDTAVERGWDAEHGGLYYGMAPDGSICDDGKYHWVQAESMAAAAVLAVRTGDARYWQWYDRIWAYCWAHFVDHEHGAWFRILHRDNRNTTREKSNAGKVDYHNMGACYDVLLWALDAPGFSKESRSAALGRP
>WP_012428705
MTATIGSKIGQRRRIGRGPLQVTGLGLGTAPLGGLYRDLSDEEAHATIAAAWDAGVRYFDTAPHYGNTKAEHRLGDALRRYPRADYVLSTKVGRRFVPRTTPFDDKEGWQNPLPFEAIYDYTHDGILRSFEDSQQRLGIVDIDILLVHDIGRVTHGDNHPHYWRQLTEGGGFRALDALRSSGAIKAVGLGVNEGAAILDAMAEFDIDCALLAGRYTLLEQTTLDDLLPACEKRGVSILLGGAFNSGILARGVQGDLKFNYGEAPPEVIERVARLEAVCRTHGVPLAAAALQFPYAHPTVATVLTGARSADELRENAASFELPIPAALWFALREEGLLDSRAPAPED
>WP_012434194
MTTQSTDHDQQNMTAIVCHAPKDYRVEQVSKPRAGAHELVIRIAACGICASDCKCHSGAKMFWGGPSPWVKAPVIPGHEFFGFVEEIGEGAADHFGVKMGDRVIAEQIVPCGKCRYCKSGQYWMCEVHNIFGFQREVADGGMAEYMRIPPTAIVHKIPDGISLEDAAIIEPLACAIHTVNRGEVQLDDVVVIAGAGPLGLMMTQIAHLKTPKKLVVIDLVEERLALAREYGADVTINPKQDDALAIIHSLTDGYGCDVYIETTGAPIGVNQGMDLIRKLGRFVEFSVFGADTTLDWSVIGDRKELDVRGAHLGPYCYPIAIDLLARGLVTSKGIVTHGFSLEEWDEAIKIANSLDSIKVLLKPRA
>WP_011760344
MMRMGVDLGGTKIELVALGEDGSELFRKRIATPREYQGTLNAVVTLVNEAEATLGTQGSLGIGIPGVISPYTGLVKNANSTWINGHPLDRDLGALLNREVRVANDANCFAVSEAVDGAAAGKRVVFGAILGTGCGAGLAFDGRVHEGGNGIGGEWGHNPLPWMRPDEFNTTECFCGNKDCIETFVSGTGFVRDFRNSGGTAQNGAEIMSLVDAGDELANLVFDRYLDRLARSLAHVINMLDPDAIVLGGGMSNVQAIYARLPAILPKYVVGRECRTPVVQNLYGCSSGVRGAAWLWEKR
>NP_384124
MPAPSSILLSPDDNVVVATAAIAPGDRLAGGVSAVARIEPGHKAAIRRIDVGEPVVKYGQAIGRATSPIAPGEHVHSHNLAFDQGRLAVGAAVPPEAASEADKARTFLGYRRADGRAATRNYIGIVASVNCSTTVCRAIADEANRRILPKYEGIDGFVPIVHDQGCGMSSTGDGMKNLHRTLAGYARHANFGGVLMVGLGCEVNQLTLYGQSGAGAEKRHFNIQEAGGSRRSVERALGILDEIAKEVAAARRVPIPVSEIIVGLQCGGSDGLSGITANPALGAAVDILAAAGGTAILSETSEIYGAEHLLRSRAVNETVAVKLDGLIAWWEDYVAMHGASLDNNPSPGNKRGGLTTILEKSLGAVAKGGRSPLTAVYNYAERVTEPGLVFMDTPGYDPVSATGQVAGGANVIAFTTGRGSCFGCRPAPSIKLTSNTALYRAMEEDMDIDCGVIASGETTIADLGRGIFELIIETASGRKTKSELFGYGDNEFVPWHLGATL
>WP_054597488
MHDIELTEEQVMIRDMARDFARGEIAPHAQAWEKAGWIDDALVAKMGELGLLGMVVPEEWGGTYVDYVAYALAVEEISAGDGATGALMSIHNSVGCGPVLNYGTEEQKQTWLADLASGQAIGCFCLTEPQAGSEAHNLRTRAELRDGQWVINGAKQFVSNGRRAKLAIVFAVTDPDLGKKGLSAFLVPTDTPGFIVDRSEHKMGIRASDTCAVTLNNCTIPEANLLGERGKGLAIALSNLEGGRIGIAAQALGIARAAFEAALAYARDRVQFDKPIIEHQSVANMLADMHTRLNAARLLILHAARLRSAGKPCLSEASQAKLFASEMAEKVCSSAIQIHGGYGYLEDYPVERYYRDARITQIYEGSSEIQRMVIARELKNYLV
>WP_010210411
MLPNEEQLQISDAARQFAQERLKPFAAEWDREHRFPKEAIGEMAELGFFGMLVPEQWGGCDTGYLAYAMALEEIAAGDGACSTIMSVHNSVGCVPVLKFGNDQQKEQFLKPLASGAMLGAFALTEPQAGSDASSLKTRARLEGDHYVLNGCKQFITSGQNAGVVIVFAVTDPAAGKRGISAFIVPTDSPGYSVARVEDKLGQHASDTCQILFEDVKVPVANRLGEEGEGYKIALANLEGGRVGIASQAVGMARAAFEAARDYARERESFGKPIIEHQAVAFRLADMATQIAVARQMVHYAAALRDSGKPALVEASMAKLFASEMAEKVCSAALQTLGGYGYLSDFPLERIYRDVRVCQIYEGTSDIQRMVISRNL
>NP_384884
MIVHFEPASEEGIASVVRSAAAERVTLAVVGGGTRAGLGNPVRADRTLSTRRLSGIVTYDPAEMTMSALAGTPVAEVEAALHAKGQMLSFEPMDHRPIFATTGEPTIGGVFAANVSGPRRYVAGAARDSLLGVRFVNGRGEPIKAGGRVMKNVTGLDLVKLMAGSYGTLGILTEVTFKVLPLPPAAATVVVSGLNDAEAAAVMAEAMAQPVEVSGASHLPESVRSRFLDGALPDGAATVLRLEGLAASVAIRAEKLGEKLSRFGRISQLDEAQTRTLWAEIRDVKPYADGTRRPLWRISVAPSAGHQLVAALRLQTGVDAFYDWQGGLVWLRMEADPEAELLRRYIGAVGGGHAALLRAGEEARGRIPAFEPQPPAVARLSERIRAQFDPSGIFNPGRAAALVRN
>WP_011759060
MAFDQTLEGQLYLGIDGGGSKCRATLYNNKLDVLGTGVAGRANPLFGLEQTFESILASTEMALRDAGLSLNDASLLVAGLGLAGVNVPRLLADVQAWQHPFKTMYVTSDLHTACIGAHQGGDGAVIITGTGSCGYVHVGDESLSLGGHGFALGDKGSGAWLGLRAAEHVLLQLDGFAEPTALTERLFANLGVSDALGIVENLAGRSSSCYATLAREVFAAADEGDKVAVGILREGAAYISEMARKLFTLEPARFSMIGGLAEPLQKWLDADVVARLEPSLAAPETGAVLFAIQQHNKQSAA
>WP_011758678
MKFYNRDFLLSHSQSILDFYDPRVLDASGGYFHNYYDDGSLFEPGFRQLVSSCRITVNYARAADILDKPEYLAHARHGLNYLLNVHLQADERFAWTLKSHRPEDMTQQAYGYAFALLAFAACRKSGILKDNNKLLWIYNLLEQRFWQPEYGLYADEIGADGVLSDYRGQNANMHLCEAMIAAFEASGEGRFLDRAMEIADKIANRQAALTGGIIWEHFTPGFAINWEYNKDDPKNLYRPWGFQGGHQTEWAKLLLSLARHSHQPWLISRAKTLFDTAFEKSWDKEHGGMVYGFGPNGDWCDDDKYFWVQAESFAAAAMLYQQTGEQKYLDAYNALWNYAWQHFVDHEHGAWFRVLYRDNRKYSNEKSTAGAKCDYHTLGACFDSLRDLT

命令行得到的结果如下：第一列为输入的序列ID，第二列为模型给定预测 EC number 的置信度/打分（0–1 之间，越大越可信）；

WP_063460136,EC:5.3.1.7/0.0433
WP_012428705,EC:1.1.1.107/0.1956
WP_012434194,EC:1.1.1.301/0.2441
WP_011760344,EC:2.7.1.4/0.3752
NP_384124,EC:4.2.1.7/0.4580
WP_054597488,EC:1.3.1.95/0.5248
WP_010210411,EC:1.3.8.1/0.6246
NP_384884,EC:1.1.99.14/0.7765
WP_011759060,EC:2.7.1.8/0.8432
WP_011758678,EC:5.3.1.7/0.9870

网页端得到的结果如下：

可以发现命令行与网页端的预测结果是一致的，但是显示有所区别，命令行预测直接显示置信度打分，网页端是直接给定一个置信度水平（高、中、低）。通过比较，我们可以发现CLEAN的置信度区间：

• 低置信度：预测打分≤0.2

• 中等置信度：预测打分 >0.2 且 ≤0.8

• 高置信度：预测打分 >0.8