論文の概要: RIVER: Evidence-guided multi-agent retrieval for enzyme--reaction discovery

• arxiv url: http://arxiv.org/abs/2611.07757v1
• Date: Thu, 05 Nov 2026 10:01:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.649188
• Title: RIVER: Evidence-guided multi-agent retrieval for enzyme--reaction discovery
• Title（参考訳）: RIVER:Evidence-guided multi-agent search for enzyme-reaction discovery
• Abstract要約: RIVER (Reaction-enzyme Inference via Evidence-guided Retrieval) は, 双方向酵素反応検索のための多エージェントフレームワークである。 リバーは、与えられた酵素に対する潜在的触媒反応を特定し、所定の反応に対する候補酵素をランク付けする。 公開ベンチマークでは、RIVERは酵素の検索と酵素のアノテーションの両方において最も成功率が高い。
• 参考スコア（独自算出の注目度）: 67.62668438003756
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Enzyme function annotation and the identification of candidate enzymes for a given reaction are essential steps in connecting genomic information to biochemical reaction networks. However, existing methods rely on sequence or structural similarity or on training with known enzyme--reaction pairs, making it difficult to integrate biochemical evidence across large candidate spaces; they also struggle with retrieval tasks involving enzyme families whose members are highly similar. Here, we introduce RIVER (Reaction--enzyme Inference via Evidence-guided Retrieval), a multi-agent framework for bidirectional enzyme--reaction retrieval that identifies potentially catalyzed reactions for a given enzyme and ranks candidate enzymes for a given reaction. RIVER coordinates large language models, specialized biochemical computational tools, and external knowledge resources to assemble evidence at multiple levels, including reaction chemistry, protein sequences and domains, catalytic mechanisms, and database annotations. Dedicated validation modules further examine evidence gaps and potential conflicts and rerank candidates using traceable evidence records. On public benchmarks, RIVER achieves the highest success rates in both enzyme retrieval and enzyme annotation. In family-specific enzyme retrieval, RIVER outperforms the evaluated baselines on the selected datasets and metrics. In Escherichia coli enzyme retrieval tasks constructed from recent literature, RIVER achieves the best retrieval results with closed-source and open-source model configurations, substantially outperforming closed-source general-purpose and biology-specialized multi-agent systems, including Claude Code, Codex, and Phylo Max. These results suggest that evidence-guided multi-agent retrieval can prioritize biochemically supported enzyme--reaction relationships, providing a basis for subsequent experimental validation.
• Abstract（参考訳）: 酵素機能アノテーションと所定の反応の候補酵素の同定は、ゲノム情報を生化学反応ネットワークに接続する上で不可欠なステップである。 しかし、既存の手法は、配列や構造的類似性や、既知の酵素-反応対による訓練に依存しており、大きな候補領域にまたがる生化学的エビデンスを統合することは困難であり、また、メンバーが極めて類似した酵素ファミリーを含む検索タスクにも苦慮している。ここでは、ある酵素の触媒反応を同定し、所定の反応の候補酵素をランク付けする多エージェントフレームワークであるRIVER(Reaction-enzyme Inference via Evidence-guided Retrieval)を紹介する。 RIVERは、大規模な言語モデル、特殊な生化学計算ツール、外部知識資源を調整し、反応化学、タンパク質配列とドメイン、触媒機構、データベースアノテーションを含む複数のレベルで証拠を収集する。 詳細な検証モジュールは、さらに証拠のギャップと潜在的な衝突を調査し、追跡可能な証拠記録を用いて候補を再選する。 公開ベンチマークでは、RIVERは酵素の検索と酵素のアノテーションの両方において最も成功率が高い。 家族固有の酵素検索では、RIVERは選択したデータセットとメトリクスに基づいて評価されたベースラインを上回ります。 近年の文献から構築された大腸菌の酵素検索タスクにおいて、RIVERはクロードコード、コーデックス、フィロマックスなどのクローズドソース汎用および生物学特化マルチエージェントシステムを大幅に上回るクローズドソースおよびオープンソースモデル構成で最高の検索結果を得る。 これらの結果は,エビデンス誘導マルチエージェント検索が生化学的に支持された酵素-反応関係を優先し,その後の実験的検証の基礎となることを示唆している。

関連論文リスト

• RxnExBench: Benchmarking Vision-Language Models for Structured Chemical Reaction Extraction from Scientific Literature [49.82189050100978]
  RxnExBenchは、微粒な反応レベル評価のためのマルチモーダルベンチマークである。 専門家による3,565の反応と2,361の分子構造を含んでいる。 化学を意識したマルチモーダル理解の今後の研究を促進するために、すべてのデータとコードを公開します。
  論文  参考訳（メタデータ） (2026-10-23T06:19:56Z)
• RXNRECer Enables Fine-grained Enzymatic Function Annotation through Active Learning and Protein Language Models [20.176405299884824]
  RXNRECerは変換器をベースとしたアンサンブルフレームワークで、EC番号に依存しない酵素触媒反応を直接予測する。 タンパク質言語モデリングとアクティブラーニングを統合して、高レベルのシーケンスセマンティクスときめ細かい変換パターンの両方をキャプチャする。
  論文  参考訳（メタデータ） (2026-03-13T06:20:14Z)
• AgentCAT: An LLM Agent for Extracting and Analyzing Catalytic Reaction Data from Chemical Engineering Literature [55.66036140125613]
  本稿では,化学工学論文から触媒反応データを抽出し,解析する大規模言語モデル (LLM) エージェントであるAgentCATを提案する。 AgentCATは、化学工学分野における長年のデータボトルネックを克服する代替手段として機能する。
  論文  参考訳（メタデータ） (2026-02-10T04:30:11Z)
• Fused Gromov-Wasserstein Contrastive Learning for Effective Enzyme-Reaction Screening [32.25999474073762]
  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。
  論文  参考訳（メタデータ） (2025-12-09T11:49:24Z)
• 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)
• 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)
• 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。