arXiv cs.AI· Yifan Chang, Yunze Li, Feifei Jiang, Juntao Wu, Xin Chen, Han Hu, Yucheng Wu, Wei Tang, Mingqian Ma, Wanli Ouyang, Kaipeng Zhang, Lei Bai, Hongting Tang, Feiran Li, Yuchen Ren·· 11 小时前AI 评分38
RIVER：证据引导的多智能体检索用于酶—反应发现
RIVER: Evidence-guided multi-agent retrieval for enzyme--reaction discovery
AI 导读
RIVER 是一个面向酶—反应双向检索的多智能体框架，协调大语言模型、生化计算工具与外部知识资源，在反应化学、蛋白序列与结构域、催化机制和数据库注释等多层面汇集证据，并由验证模块检查证据缺口与冲突后重排候选。
正文 · AI 翻译
作者：Yifan Chang、Yunze Li、Feifei Jiang、Juntao Wu、Xin Chen、Han Hu、Yucheng Wu、Wei Tang、Mingqian Ma、Wanli Ouyang、Kaipeng Zhang、Lei Bai、Hongting Tang、Feiran Li、Yuchen Ren
摘要：酶功能注释以及为给定反应识别候选酶，是将基因组信息与生化反应网络连接起来的关键步骤。然而，现有方法依赖序列或结构相似性，或依赖已知酶—反应对的训练，难以在庞大的候选空间中整合生化证据；它们也难以处理成员高度相似的酶家族的检索任务。在此，我们提出 RIVER（Reaction--enzyme Inference via Evidence-guided Retrieval，基于证据引导检索的反应—酶推断），这是一个用于双向酶—反应检索的多智能体框架，可为给定酶识别其可能催化的反应，并为给定反应对候选酶进行排序。RIVER 协调大语言模型、专门的生化计算工具和外部知识资源，在多个层面汇集证据，包括反应化学、蛋白质序列与结构域、催化机制以及数据库注释。专门的验证模块进一步检查证据缺口和潜在冲突，并利用可追溯的证据记录对候选进行重排序。在公开基准上，RIVER 在酶检索和酶注释两方面均取得最高成功率。在家族特异性酶检索中，RIVER 在所选数据集和指标上优于所评估的基线方法。在根据近期文献构建的大肠杆菌酶检索任务中，RIVER 在闭源和开源模型配置下均取得最佳检索结果，显著优于闭源通用型和生物学专用多智能体系统，包括 Claude Code、Codex 和 Phylo Max。这些结果表明，证据引导的多智能体检索能够优先考虑有生化证据支持的酶—反应关系，为后续实验验证提供基础。
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2611.07757 [cs.AI] |
| （或 arXiv:2611.07757v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.07757 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Yifan Chang [查看电子邮件]
[v1]
2026年11月5日星期四 10:01:08 UTC（2,325 KB）
来源：arXiv cs.AI · arxiv.org