論文の概要: Elucidating the Space of Enzymatic Reaction: A Unified Benchmark and Pretrained Model

• arxiv url: http://arxiv.org/abs/2610.11694v1
• Date: Thu, 08 Oct 2026 11:05:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.966062
• Title: Elucidating the Space of Enzymatic Reaction: A Unified Benchmark and Pretrained Model
• Title（参考訳）: 酵素反応の空間を解明する:統一ベンチマークと事前学習モデル
• Abstract要約: We developed VenusRX, a unified T5-style sequence-to-sequence model for enzymatic reaction。 VenusRXは、何百万ものテンプレート拡張反応に関する2段階のトレーニングで、前方予測、ret-context Ro synthesis、反応再構成を共同で学習する。 VenusRXは、ほとんどの評価された設定で最高の、または競争的なパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 27.29395299551535
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Existing reaction models primarily learn molecular transformations, whereas enzy- matic reactions depend jointly on molecular structure and catalytic function. We formulate this problem as learning an enzymatic reaction space linking reactants, products, and Enzyme Commission (EC) annotations. To characterize this space, we introduce VenusRX-Bench, a unified benchmark for forward reaction prediction, single-step retrosynthesis, and EC-number prediction. VenusRX-Bench integrates reactions from multiple biochemical databases with standardized curation, leakage- controlled splits, and consistent evaluation. Benchmarking representative chemical and enzymatic models reveals a clear chemical-to-enzymatic domain gap, driven by limited domain data, catalytic-context dependency, and the difficulty of modeling large biomolecular structures. To bridge this gap, we develop VenusRX, a unified T5-style sequence-to-sequence model for enzymatic reactions. VenusRX jointly learns forward prediction, ret- rosynthesis, and reaction reconstruction, with two-stage training on millions of template-expanded reactions followed by real biochemical reactions. In addition, optional EC conditioning incorporates catalytic context, while Molecule Library- Constrained Decoding improves the generation of complex biomolecules. Across benchmark tasks and challenging generalization splits, VenusRX achieves the best or competitive performance on most evaluated settings over representative chem- ical and enzymatic baselines. Moreover, EC information consistently improves reaction prediction, while learned reaction representations support accurate EC prediction, revealing a bidirectional relationship between reaction structure and catalytic function. Together, VenusRX-Bench and VenusRX provide a unified framework for elucidating and modeling enzymatic reaction space
• Abstract（参考訳）: 既存の反応モデルは主に分子変換を学習するが、酵素的反応は分子構造と触媒機能に強く依存する。 我々は、反応物、生成物、酵素委員会(EC)アノテーションをリンクする酵素反応空間の学習としてこの問題を定式化する。 この空間を特徴づけるために、前方反応予測、単段逆合成、EC数値予測のための統一ベンチマークであるVenusRX-Benchを導入する。 VenusRX-Benchは、複数のバイオケミカルデータベースからの反応を、標準化されたキュレーション、リーク制御された分割、一貫した評価と統合する。 化学・酵素モデルのベンチマークにより、限定されたドメインデータ、触媒-コンテキスト依存性、大きな生体分子構造をモデル化することの難しさにより、明確な化学的-酵素的ドメインギャップが明らかになる。 このギャップを埋めるため,酵素反応のためのT5型配列列列モデルであるVenusRXを開発した。 VenusRXは、何百万ものテンプレート拡張反応と実際の生化学反応の2段階のトレーニングで、前方予測、再合成、反応再構成を共同で学習する。 さらに、オプションのECコンディショニングでは、触媒コンテキストが組み込まれ、Molecule Library-Constrained Decodingは複雑な生体分子の生成を改善する。 ベンチマークタスクと挑戦的な一般化分割によって、VenusRXは、代表的なケミカルおよび酵素のベースラインよりも、最も評価されたほとんどの設定において、最高の、または競争的なパフォーマンスを達成する。 さらに、EC情報は反応予測を一貫して改善し、学習された反応表現は正確なEC予測をサポートし、反応構造と触媒関数の双方向関係を明らかにする。 VenusRX-BenchとVenusRXは共に、酵素反応空間の解明とモデリングのための統一的なフレームワークを提供する

関連論文リスト

• RxnCLF: Contrastive Transformation-Aware Reaction Foundation Model for Improved Reactivity Prediction [3.456440183560995]
  反応表現学習のための反応コントラスト学習基盤(RxnCLF)を提案する。 RxnCLFは縮合反応グラフ(CRG)上に構築され、反応物と生成物の情報を単一のグラフに統一する。 1.7百万のピスタチオ反応に基づいて、RxnCLFは反応中心の特徴とより広い側鎖コンテキストの両方を捉えるコンパクトで連続的な潜伏空間を学習する。
  論文  参考訳（メタデータ） (2026-08-06T16:51:23Z)
• Reaction Prediction via Interaction Modeling of Symmetric Difference Shingle Sets [4.597922051722059]
  化学反応予測のための新しい機械学習モデルReaDISHを提案する。 相互作用認識機能を導入しながら、置換不変表現を学習する。 R$2$の順に平均8.76%の改善が加えられた。
  論文  参考訳（メタデータ） (2025-11-09T12:29:16Z)
• Rethinking Molecule Synthesizability with Chain-of-Reaction [47.744071119775676]
  合成可能な投影のための生成フレームワークであるReaSynを紹介する。 大規模言語モデル(LLM)における推論経路に類似した合成経路を考慮した新しい視点を提案する。 CoR表記により、ReaSynは化学反応規則を明示的に学習する全ての反応ステップにおいて、密集した監督を受けることができる。
  論文  参考訳（メタデータ） (2025-09-19T15:29:57Z)
• Chemical knowledge-informed framework for privacy-aware retrosynthesis learning [72.39098405805318]
  現在の機械学習に基づくレトロシンセシスは、複数のソースからの反応データを1つのエッジに集め、予測モデルを訓練する。 このパラダイムは、組織の境界を越えた広範なデータ可用性を必要とするため、かなりのプライバシーリスクをもたらす。 本研究では, 化学知識インフォームド・フレームワーク (CKIF) について紹介する。
  論文  参考訳（メタデータ） (2025-02-26T13:13:24Z)
• 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)
• RetroXpert: Decompose Retrosynthesis Prediction like a Chemist [60.463900712314754]
  そこで我々は, テンプレートフリーな自動逆合成拡張アルゴリズムを考案した。 我々の方法はレトロシンセシスを2段階に分解する。 最先端のベースラインよりも優れている一方で、我々のモデルは化学的に合理的な解釈も提供する。
  論文  参考訳（メタデータ） (2020-11-04T04:35:34Z)
• Retrosynthesis Prediction with Conditional Graph Logic Network [118.70437805407728]
  コンピュータ支援のレトロシンセシスは、化学と計算機科学の双方から新たな関心を集めている。 本稿では,グラフニューラルネットワーク上に構築された条件付きグラフィカルモデルであるConditional Graph Logic Networkを用いて,この課題に対する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2020-01-06T05:36:57Z)

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。