AI2SM: Artificial Intelligence to expose plant secondary metabolism

Abstract

Estima-se que as plantas produzam mais de um milhão de metabolitos, mas apenas cerca de 0,1% das suas vias biossintéticas foram elucidadas. Esta lacuna é particularmente acentuada no metabolismo especializado (secundário), apesar do valor destes metabolitos como produtos farmacêuticos, agroquímicos, nutracêuticos e cosméticos. A caracterização das vias requer a reconstrução dos passos de síntese química e a atribuição de cada transformação à reação enzimática subjacente. A retrossíntese automatizada permite prever passos químicos até um metabolito-alvo sem evidência experimental completa, enquanto as ferramentas de anotação de proteínas identificam enzimas e inferem os tipos de reação que catalisam através da previsão do Enzyme Commission number (EC). Embora existam várias ferramentas de retrossíntese e anotação enzimática baseadas em inteligência artificial (IA), regras ou similaridade, estas raramente foram comparadas de forma sistemática ou integradas num quadro unificado. Para colmatar esta lacuna, foi desenvolvido o DeePlants, uma plataforma modular que usa IA para apoiar a elucidação do metabolismo especializado das plantas, integrando anotação funcional de enzimas, associação metabolito-via e previsão retrossintética num pacote unificado. Este trabalho contribui para o estudo de representações computacionais de proteínas e produtos naturais, avaliando a sua eficácia na previsão de números EC, especificidade enzima-substrato e associação a vias biossintéticas, estabelecendo uma base sólida para a previsão da função enzimática e a elucidação de vias. Nos nossos benchmarks, os modelos de linguagem de proteínas superaram codificações one-hot e BLASTp na previsão de números EC, sobretudo na ausência de homólogos. Para associações metabolitovia, a Morgan fingerprint com contagens foi a representação mais eficaz. Para a previsão de especificidade enzima-substrato, uma nova abordagem que combina este fingerprint, embeddings de modelos de linguagem de proteínas e gradient boosting superou os melhores métodos de referência. Adicionalmente, com o DeepMol, uma plataforma de aprendizagem máquina automatizada para química computacional, identificámos combinações ideais de modelos e representações de compostos, com o classificador Ridge a superar o estado da arte e a prever precursores biossintéticos para mais de 75% dos metabolitos vegetais na LOTUS-DB.

Plants are estimated to produce more than one million metabolites, yet only about 0.1% of their biosynthetic pathways have been elucidated. This annotation gap is particularly pronounced for specialised (secondary) metabolism, despite the major value of these metabolites as pharmaceuticals, agrochemicals, nutraceuticals, and cosmetics. Pathway characterisation requires not only reconstruction of chemical synthesis steps but also assignment of each transformation to the underlying enzymatic reaction. Automated retrosynthesis offers a computational strategy to predict chemical steps leading to a target metabolite without requiring complete experimental evidence, while protein annotation tools can rapidly predict whether proteins are enzymes and infer the reaction types they catalyse, through Enzyme Commission (EC) number prediction. Despite the availability of many retrosynthesis and enzyme annotation tools, based on artificial intelligence (AI), rules, or sequence similarity, few have been systematically benchmarked or integrated within a unified framework. To address this gap, DeePlants was developed as a modular framework that leverages AI to support elucidation of plant specialised metabolism, integrating enzyme functional annotation, metabolite-pathway association, and retrosynthetic prediction into a unified package. This work advances the study of computational representations for proteins and natural products, systematically evaluating their effectiveness for EC number prediction, enzyme-substrate specificity prediction, and biosynthetic pathway association tasks, establishing a robust foundation for enzyme function prediction and pathway elucidation. Protein language models outperformed one-hot encodings for EC number prediction and performed on par with BLASTp, surpassing it when no homologous sequences were available. For metabolite–pathway association, the counted Morgan fingerprint ranked among the strongest representations, matching the state of the art. For enzyme-substrate specificity prediction, a novel framework combining this fingerprint, protein language model embeddings, and gradient boosting surpassed state-of-the-art baselines. Moreover, by developing and using DeepMol, an automated machine learning framework tailored to computational chemistry, we identified optimal model and feature combinations, with Ridge classifier outperforming state-of-the-art approaches and achieving biosynthetic precursor predictions for more than 75% of plant metabolites in LOTUS-DB, a database of over 190,000 natural products.