論文の概要: Multimodal Regression for Enzyme Turnover Rates Prediction

• arxiv url: http://arxiv.org/abs/2509.11782v1
• Date: Mon, 15 Sep 2025 11:07:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:23.241205
• Title: Multimodal Regression for Enzyme Turnover Rates Prediction
• Title（参考訳）: 酵素回転率予測のためのマルチモーダル回帰
• Authors: Bozhen Hu, Cheng Tan, Siyuan Li, Jiangbin Zheng, Sizhe Qiu, Jun Xia, Stan Z. Li,
• Abstract要約: 本稿では,酵素配列,基質構造,環境因子を統合することで,酵素の回転率を予測する枠組みを提案する。 我々のモデルは、事前訓練された言語モデルと畳み込みニューラルネットワークを組み合わせて、タンパク質配列から特徴を抽出する。 我々は、Kolmogorov-Arnold Networksを介して、酵素の回転率を管理する数学的公式を明示的に学習するために、シンボリックレグレッションを利用する。
• 参考スコア（独自算出の注目度）: 57.60697333734054
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The enzyme turnover rate is a fundamental parameter in enzyme kinetics, reflecting the catalytic efficiency of enzymes. However, enzyme turnover rates remain scarce across most organisms due to the high cost and complexity of experimental measurements. To address this gap, we propose a multimodal framework for predicting the enzyme turnover rate by integrating enzyme sequences, substrate structures, and environmental factors. Our model combines a pre-trained language model and a convolutional neural network to extract features from protein sequences, while a graph neural network captures informative representations from substrate molecules. An attention mechanism is incorporated to enhance interactions between enzyme and substrate representations. Furthermore, we leverage symbolic regression via Kolmogorov-Arnold Networks to explicitly learn mathematical formulas that govern the enzyme turnover rate, enabling interpretable and accurate predictions. Extensive experiments demonstrate that our framework outperforms both traditional and state-of-the-art deep learning approaches. This work provides a robust tool for studying enzyme kinetics and holds promise for applications in enzyme engineering, biotechnology, and industrial biocatalysis.
• Abstract（参考訳）: 酵素の回転速度は、酵素の触媒効率を反映して、酵素の動力学の基本的なパラメータである。 しかし、高いコストと実験的な測定の複雑さのため、ほとんどの生物では酵素の回転率は低いままである。 このギャップに対処するために,酵素配列,基質構造,環境因子を統合することで,酵素の回転率を予測するマルチモーダルフレームワークを提案する。 本モデルは,タンパク質配列から特徴を抽出するために,事前学習された言語モデルと畳み込みニューラルネットワークを組み合わせて,グラフニューラルネットワークは基質分子から情報表現をキャプチャする。 酵素と基質の相互作用を高めるために注目機構が組み込まれている。 さらに,Kolmogorov-Arnold Networksによる記号回帰を利用して,酵素の回転率を規定する数式を明示的に学習し,解釈可能かつ正確な予測を可能にする。 大規模な実験により、我々のフレームワークは従来のディープラーニングアプローチと最先端のディープラーニングアプローチの両方より優れています。 この研究は酵素の動態を研究するための堅牢なツールを提供し、酵素工学、バイオテクノロジー、産業生物触媒への応用を約束する。

関連論文リスト

• OmniESI: A unified framework for enzyme-substrate interaction prediction with progressive conditional deep learning [46.402707495664174]
  条件付き深層学習による酵素-基質相互作用予測のための2段階プログレッシブフレームワークであるOmniESIを導入する。 我々は,OmniESIが最先端の特殊手法よりも優れた性能を実現していることを示す。 全体として、OmniESIは酵素-基質相互作用の統一的な予測手法である。
  論文  参考訳（メタデータ） (2025-06-22T09:40:40Z)
• Learning Chemical Reaction Representation with Reactant-Product Alignment [50.28123475356234]
  RAlignは、様々な有機反応関連タスクのための新しい化学反応表現学習モデルである。 反応物質と生成物との原子対応を統合することにより、反応中に起こる分子変換を識別する。 モデルが重要な機能群に集中できるように,反応中心認識型アテンション機構を導入する。
  論文  参考訳（メタデータ） (2024-11-26T17:41:44Z)
• Reaction-conditioned De Novo Enzyme Design with GENzyme [64.14088142258498]
  textscGENzymeは、触媒反応を入力として、触媒ポケット、全酵素構造、酵素-基質結合複合体を生成する、テクスチドノボ酵素設計モデルである。 textscGENzymeは,(1)触媒ポケット生成および配列共設計モジュール,(2)ポケット塗布および酵素逆折り畳みモジュール,(3)酵素-基質複合体の最適化と予測のための結合およびスクリーニングモジュールを統合した,エンド・ツー・エンドの3段階モデルである。
  論文  参考訳（メタデータ） (2024-11-10T00:37:26Z)
• EnzymeFlow: Generating Reaction-specific Enzyme Catalytic Pockets through Flow Matching and Co-Evolutionary Dynamics [51.47520281819253]
  酵素設計はバイオテクノロジーにおいて重要な領域であり、医薬品開発から合成生物学まで幅広い応用がある。 酵素機能予測やタンパク質結合ポケット設計の伝統的な手法は、しばしば酵素-基質相互作用の動的および複雑な性質を捉えるのに不足する。 本稿では, 触媒ポケットを生成するために, 階層的事前学習と酵素-反応共進化を用いたフローマッチングを用いた生成モデルであるEnzymeFlowを紹介する。
  論文  参考訳（メタデータ） (2024-10-01T02:04:01Z)
• ReactZyme: A Benchmark for Enzyme-Reaction Prediction [41.33939896203491]
  触媒反応に基づくアノテート酵素の新しいアプローチを提案する。 酵素反応データセットの解析に機械学習アルゴリズムを用いる。 本研究は,酵素反応予測を検索問題として捉え,酵素の触媒活性を比例してランク付けすることを目的とする。
  論文  参考訳（メタデータ） (2024-08-24T19:19:33Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。