論文の概要: Fused Gromov-Wasserstein Contrastive Learning for Effective Enzyme-Reaction Screening

• arxiv url: http://arxiv.org/abs/2512.08508v1
• Date: Tue, 09 Dec 2025 11:49:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-10 22:28:07.941241
• Title: Fused Gromov-Wasserstein Contrastive Learning for Effective Enzyme-Reaction Screening
• Title（参考訳）: 酵素反応スクリーニングのための融解グロモフ・ワッサースタインコントラスト学習
• Authors: Gengmo Zhou, Feng Yu, Wenda Wang, Zhifeng Gao, Guolin Ke, Zhewei Wei, Zhen Wang,
• Abstract要約: FGW-CLIPはGromov-Wasserstein距離の最適化に基づくコントラスト学習フレームワークである。 FGW-CLIPは、最大の酵素反応ベンチマークであるReactZymeの3つの分割すべてで一貫してパフォーマンスが向上している。 これらの結果は、FGW-CLIPを、複雑な生化学的条件下での酵素発見のための有望なフレームワークとして位置づけた。
• 参考スコア（独自算出の注目度）: 32.25999474073762
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Enzymes are crucial catalysts that enable a wide range of biochemical reactions. Efficiently identifying specific enzymes from vast protein libraries is essential for advancing biocatalysis. Traditional computational methods for enzyme screening and retrieval are time-consuming and resource-intensive. Recently, deep learning approaches have shown promise. However, these methods focus solely on the interaction between enzymes and reactions, overlooking the inherent hierarchical relationships within each domain. To address these limitations, we introduce FGW-CLIP, a novel contrastive learning framework based on optimizing the fused Gromov-Wasserstein distance. FGW-CLIP incorporates multiple alignments, including inter-domain alignment between reactions and enzymes and intra-domain alignment within enzymes and reactions. By introducing a tailored regularization term, our method minimizes the Gromov-Wasserstein distance between enzyme and reaction spaces, which enhances information integration across these domains. Extensive evaluations demonstrate the superiority of FGW-CLIP in challenging enzyme-reaction tasks. On the widely-used EnzymeMap benchmark, FGW-CLIP achieves state-of-the-art performance in enzyme virtual screening, as measured by BEDROC and EF metrics. Moreover, FGW-CLIP consistently outperforms across all three splits of ReactZyme, the largest enzyme-reaction benchmark, demonstrating robust generalization to novel enzymes and reactions. These results position FGW-CLIP as a promising framework for enzyme discovery in complex biochemical settings, with strong adaptability across diverse screening scenarios.
• Abstract（参考訳）: 酵素は幅広い生化学反応を可能にする重要な触媒である。 タンパク質ライブラリーから特定の酵素を効果的に同定することは、生物触媒の進化に不可欠である。 酵素スクリーニングと検索の伝統的な計算手法は、時間と資源集約である。 近年、ディープラーニングのアプローチは有望である。 しかしながら、これらの手法は酵素と反応の相互作用にのみ焦点をあて、各領域の固有の階層的関係を見渡す。 これらの制約に対処するために,融合したGromov-Wasserstein距離を最適化した新しいコントラスト学習フレームワークであるFGW-CLIPを導入する。 FGW-CLIPは、反応と酵素間のドメイン間アライメント、酵素と反応内のドメイン内アライメントを含む複数のアライメントを含む。 調整された正規化項を導入することにより、酵素と反応空間の間のグロモフ=ワッサーシュタイン距離を最小化し、これらの領域間の情報統合を強化する。 酵素反応課題におけるFGW-CLIPの優位性を示した。 広く使用されているEnzymeMapベンチマークでは、BEDROCとEFメトリクスによって測定された、FGW-CLIPが酵素バーチャルスクリーニングにおける最先端のパフォーマンスを達成する。 さらに、FGW-CLIPは、酵素反応における最大のベンチマークであるReactZymeの3つの部分全てで一貫して優れており、新しい酵素や反応に対する堅牢な一般化を実証している。 これらの結果は、FGW-CLIPを、様々なスクリーニングシナリオに強い適応性を持つ複雑な生化学的条件下での酵素発見のための有望なフレームワークとして位置づけた。

関連論文リスト

• Multimodal Regression for Enzyme Turnover Rates Prediction [57.60697333734054]
  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。
  論文  参考訳（メタデータ） (2025-09-15T11:07:26Z)
• 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)
• Interpretable Enzyme Function Prediction via Residue-Level Detection [58.30647671797602]
  本稿では,酵素機能予測のための注意に基づくフレームワークであるProtDETRを提案する。 学習可能な関数クエリのセットを使用して、残差レベルの一連の特徴から異なるローカル表現を適応的に抽出する。 ProtDETRは、既存のディープラーニングベースの酵素機能予測法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2025-01-10T01:02:43Z)
• 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。