跳到正文
arXiv· Yifan Chang; Yunze Li; Feifei Jiang; Juntao Wu; Xin Chen; Han Hu; Yucheng Wu; Wei Tang; Mingqian Ma; Wanli Ouyang; Kaipeng Zhang; Lei Bai; Hongting Tang; Feiran Li; Yuchen Ren·· 11 天前AI 评分53

RIVER:证据引导的多智能体框架用于酶与反应双向检索

RIVER: Evidence-guided multi-agent retrieval for enzyme--reaction discovery

AI 导读

论文提出 RIVER,一个面向酶与反应双向检索的多智能体框架,通过协调大语言模型、生化计算工具和外部知识资源,汇集反应化学、蛋白序列与结构域、催化机制及数据库注释等多层证据。

预印本 · arxiv · 2611.07757

本站摘要基于收录版本 v1(2026-11-06),原始摘要与 AI 导读固定保留。

来源最近更新: · 来源 v1

摘要 · AI 翻译

酶功能注释以及为给定反应鉴定候选酶,是将基因组信息与生化反应网络连接起来的关键步骤。然而,现有方法依赖序列或结构相似性,或依赖已知酶-反应对进行训练,因此难以在庞大的候选空间中整合生化证据;它们在处理成员高度相似的酶家族的检索任务时也表现不佳。在此,我们提出 RIVER(Reaction--enzyme Inference via Evidence-guided Retrieval,基于证据引导检索的反应-酶推断),这是一个用于双向酶-反应检索的多智能体框架,能够为给定酶识别其可能催化的反应,并为给定反应对候选酶进行排序。RIVER 协调大语言模型、专门的生化计算工具和外部知识资源,在多个层面上汇集证据,包括反应化学、蛋白质序列与结构域、催化机制以及数据库注释。专门的验证模块进一步检查证据缺口和潜在冲突,并利用可追溯的证据记录对候选者重新排序。在公开基准测试中,RIVER 在酶检索和酶注释两项任务上均取得了最高成功率。在特定家族的酶检索中,RIVER 在所选数据集和指标上优于所评估的基线方法。在基于近期文献构建的大肠杆菌酶检索任务中,RIVER 在闭源和开源模型配置下均取得了最佳检索结果,大幅超越了闭源的通用型和生物学专用多智能体系统,包括 Claude Code、Codex 和 Phylo Max。这些结果表明,证据引导的多智能体检索能够优先筛选出有生化依据的酶-反应关系,为后续实验验证提供了基础。

来源:arXiv · arxiv.org