深度学习驱动的计算框架“DeepEC”将允许酶委员会数量的高质量和高通量预测，这对于准确理解酶功能至关重要。
Jae Yong Ryu博士，Hyun Uk Kim教授和KAIST杰出教授Sang Yup Lee报告了一个由深度学习提供支持的计算框架，以高吞吐量的方式高精度地预测酶委员会(EC)数。
DeepEC将蛋白质序列作为输入，并准确预测EC数量作为输出。酶是催化生化反应的蛋白质，由四个水平数(即abcd)组成的EC数字表示生化反应。因此，EC编号的鉴定对于准确理解酶功能和代谢是至关重要的。
EC编号通常在基因组注释程序期间给予编码酶的蛋白质序列。由于EC编号的重要性，已经开发了几种EC编号预测工具，但是它们在计算时间，精度，覆盖范围以及EC编号预测所需的文件的总大小方面具有进一步改进的空间。
DeepEC使用三个卷积神经网络(CNN)作为预测EC数的主要引擎，并且如果三个CNN不为给定的蛋白质序列产生可靠的EC编号，则还实施EC编号的同源性分析。DeepEC是通过使用涵盖1,388,606个蛋白质序列和4,669个EC编号的金标准数据集开发的。
特别是，DeepEC和其他五个代表性的EC数量预测工具的基准研究表明，DeepEC对EC数量进行了最精确和最快速的预测。DeepEC还需要最小的磁盘空间来实现，这使其成为理想的第三方软件组件。
此外，由于蛋白质序列的结构域/结合位点残基的突变，DeepEC在检测酶功能丧失方面最敏感; 在该比较分析中，所有结构域或结合位点残基被L-丙氨酸残基取代以除去蛋白质功能，这被称为L-丙氨酸扫描方法。
这项研究是在网上公布的美国国家科学院学报上2019 6月20日，美国(PNAS)的美国题为“深度学习可实现高品质和酶的佣金数的高通量预测。”
“DeepEC可以作为独立工具使用，也可以作为第三方软件组件与其他检测代谢反应的计算平台结合使用。可以在线免费获得DeepEC，”Kim教授说。
杰出的Lee教授说：“通过DeepEC，可以更有效，更准确地处理不断增加的蛋白质序列数据。”