В статье рассматривается проблема оценки предсказателей чисел оборотов ферментов (kcat), которые критически важны для кинетических моделей и фермент-ограниченных геномных масштабных метаболических моделей (ecGEM). Из-за нехватки экспериментальных данных kcat всё чаще оценивают с помощью машинного обучения (ML), однако стандартные метрики регрессии не отражают практическую применимость этих моделей. Авторы провели бенчмаркинг шести современных предсказателей kcat на курируемом наборе данных на основе BRENDA и пяти из них на наборе EnzyExtract, сравнивая также близость обучающих выборок. Затем они использовали предсказанные значения для параметризации ecGEM Saccharomyces cerevisiae и оценили предсказания роста в 19 условиях. Результаты показали, что точность бенчмарков умеренная даже на BRENDA и резко падает на EnzyExtract, где все предсказатели достигают R² не выше 0.20. Совпадение последовательностей с обучающими данными составило 24–78% для BRENDA и 9–26% для EnzyExtract, но это не объясняет различий в обобщении. Более того, ранжирование по бенчмаркам не соответствовало качеству downstream-предсказаний: в глюкозной минимальной среде самый слабый по бенчмарку предсказатель дал наиболее точный прогноз роста, а более высокорейтинговые модели — большие отклонения. Причиной оказались локальные ошибки в высоконагруженных позициях метаболической сети, в частности заниженные значения kcat для митохондриального ADP/ATP-переносчика, что ограничивало обмен адениновых нуклеотидов и приводило к кажущемуся дефициту цитозольного АТФ. Снятие этого ограничения сместило предсказанный рост к экспериментальному. Авторы делают вывод о необходимости прикладной валидации предсказателей биологических параметров в тех системах, для которых они предназначены.