Fluxion 把酶功能预测重构为条件生成任务
LeoTZ03 · x · 2026-10-27
William Rieger 等人在 bioRxiv 发布预印本《Reframing enzyme function prediction as conditional generation》，将酶功能预测从分类问题重构为条件生成问题。模型输入酶序列、底物/辅因子与最小催化残基集合，通过键-电子矩阵（bond-electron matrix）表示反应，输出预测产物（含频率与 SMILES）及活性。
架构上用蛋白语言模型编码序列，经 cross attention 注入 Graph GPS + MPNN 消息传递网络，配合 Transformer 层堆叠 6 次，输出头分别做反应性（CE）、活性（MSE）与键-电子变化预测，并用非自由基 SMILES 过滤无效产物。
训练策略分阶段进行：先在 USPTO 化学（约 217 万条）上学习反应步骤，再在 M-CSA 酶学数据（2747 条）上训练，最终在 EnzymeMap（28837 条）上做从起始到终点的训练，验证模型能否泛化到未见的非天然化学反应，即学习生物化学的一般规则。作者将于 ML4Proteins 线上研讨会上介绍该工作。
「研究」频道最新
- 对模型而言，「经验教训」类论文可能比 2500 引用的图谱论文更有用 — owl_posting · 2026-10-27
- 24 小时廉价算力：adapter-LoRA 方案自称全面超越 Carbon-X DNA 模型 — danielmckinn0n · 2026-10-27
- 「我跑了两百万次回归」系列第二篇：海量回归的实证玩法 — paulnovosad · 2026-10-27
- 普林斯顿团队开源 PaperScorer,用微调 Qwen 预测论文录用率达 77.5% — IanArawjo · 2026-10-27
- 论文附带的子成果:宣称证明纯 Yang-Mills 理论存在性 — burny_tech · 2026-10-27
- Lex Fridman 对谈三位数学家:AI 数周攻克人类最难题目意味着什么 — lexfridman · 2026-10-27