VenusRX-Bench 与 VenusRX：酶促反应统一基准与预训练模型
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载酶促反应为何难建模
已有反应模型主要学习分子层面的转化，而酶促反应同时取决于分子结构与催化功能，两者不能割裂看待。作者把问题形式化为学习一个连接反应物、产物与 Enzyme Commission（EC）注释的酶促反应空间。为刻画这个空间，他们构建了 VenusRX-Bench：一个覆盖正向反应预测、单步逆合成和 EC 编号预测的统一基准。该基准从多个生化数据库汇集反应，经过标准化整理，采用防泄漏的数据划分，并统一评测口径，使不同模型可以在同一条件下比较。
化学与酶促之间的差距
在 VenusRX-Bench 上评测代表性化学模型与酶模型后，作者观察到明显的化学到酶促领域差距。论文把差距归因于三点：领域数据有限、对催化上下文的依赖，以及大生物分子结构本身难以建模。这三点也解释了为什么直接把化学反应的建模思路搬到酶促反应上效果会打折扣。基准的价值在于把这种差距变成可量化、可复现的对比，而不是停留在经验判断上。
VenusRX 的建模方式
为缩小上述差距，作者提出 VenusRX，一个面向酶促反应的统一 T5 风格序列到序列模型。它同时学习三项任务：正向预测、逆合成与反应重构。训练分两个阶段，先在上百万条模板扩展反应上训练，再使用真实生化反应继续训练。模型还提供可选的 EC 条件输入，用来注入催化上下文；解码阶段使用分子库约束解码，以改善复杂生物分子的生成质量。这些设计分别对应数据不足、催化上下文缺失和复杂结构生成困难三个问题。
评测结果与双向关系
在基准任务以及更具挑战性的泛化划分上，VenusRX 在多数评测设置中取得最好或具有竞争力的表现，对比对象是代表性的化学与酶促基线模型。此外，EC 信息持续改善反应预测效果，而模型学到的反应表示又能支持准确的 EC 预测，说明反应结构与催化功能之间存在双向关系。作者将 VenusRX-Bench 与 VenusRX 合起来，作为阐释和建模酶促反应空间的统一框架。
为什么值得看
把酶促反应的正向预测、逆合成与 EC 预测放进同一基准和模型，并给出化学到酶促领域差距的具体成因，对做生化 AI 的人…
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。