arXiv cs.AI· Yutong Hu, Tianming Huang, Yanbo Zhao, Qiongyu Zhang, Shixiang Tang, Lei Bai, Ziyi Zhou, Liang Hong, Pan Tan·· 9 天前AI 评分24
VenusRX-Bench 与 VenusRX：酶促反应空间的统一基准与预训练模型
Elucidating the Space of Enzymatic Reaction: A Unified Benchmark and Pretrained Model
AI 导读
研究者提出 VenusRX-Bench 统一基准与 VenusRX 模型，用于酶促反应空间建模。VenusRX-Bench 整合多个生化数据库的反应数据，覆盖正向反应预测、单步逆合成和 EC 编号预测三项任务，并采用标准化整理与防泄漏划分。
正文 · AI 翻译
摘要：现有的反应模型主要学习分子转化，而酶促反应同时依赖于分子结构和催化功能。我们将此问题表述为学习一个连接反应物、产物和酶委员会（EC）注释的酶促反应空间。为了刻画这一空间，我们引入了 VenusRX-Bench，一个用于正向反应预测、单步逆合成和 EC 编号预测的统一基准。VenusRX-Bench 整合了来自多个生化数据库的反应，并具有标准化的整理、泄漏控制的划分和一致的评估。对代表性化学模型和酶模型的基准测试揭示出明显的化学到酶学领域差距，其驱动因素包括领域数据有限、催化上下文依赖性以及建模大型生物分子结构的困难。为弥合这一差距，我们开发了 VenusRX，一个用于酶促反应的统一 T5 风格序列到序列模型。VenusRX 联合学习正向预测、逆合成和反应重建，并采用两阶段训练：先在数百万个模板扩展反应上训练，随后在真实生化反应上训练。此外，可选的 EC 条件化纳入了催化上下文，而分子库约束解码改善了复杂生物分子的生成。在基准任务和具有挑战性的泛化划分上，VenusRX 在大多数评估设置中相较代表性化学和酶学基线取得了最佳或具有竞争力的性能。此外，EC 信息持续改善反应预测，而学习到的反应表示支持准确的 EC 预测，揭示了反应结构与催化功能之间的双向关系。VenusRX-Bench 和 VenusRX 共同为阐明和建模酶促反应空间提供了一个统一框架
| 主题： | 定量方法（q-bio.QM）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.11694 [q-bio.QM] |
| （或 arXiv:2610.11694v1 [q-bio.QM] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.11694 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Pan Tan [查看电子邮件]
[v1]
2026年10月8日星期四 11:05:48 UTC（249 KB）
来源：arXiv cs.AI · arxiv.org