利用超图增强的知识图谱嵌入结合化学反应方程式改进酶预测
人工智能
2026-01-12 v1
摘要
预测酶-底物相互作用长期以来一直是生物化学和代谢工程中的一个基本问题。虽然现有方法可以利用专家整理的酶-底物对数据库供模型学习已知的成对相互作用，但这些数据库通常很稀疏，即此类配对的示例有限且不完整，并且维护起来十分耗费人力。训练数据的缺乏严重阻碍了传统酶预测模型泛化至未知相互作用的能力。在本工作中，鉴于领域特定数据库中的化学反应方程式更易获取且数据更密集、更丰富，我们尝试对其进行利用。然而，多种化合物（如反应物和产物）与同一酶的相互作用产生了传统模型难以轻易捕获的复杂关系数据模式。为了解决这一问题，我们将化学反应方程式表示为知识图谱中的（反应物，酶，产物）三元组，从而利用知识图谱嵌入（KGE）来推断缺失的酶-底物对以完成图谱。具体而言，为了捕获化合物之间的复杂关系，我们提出了用于酶预测的知识增强超图模型，即 Hyper-Enz，该模型将超图 Transformer 与 KGE 模型集成，以学习涉及多种反应物和产物的超边表示。此外，还引入了多专家范式，以利用所提出的模型和化学反应方程式共同指导酶-底物相互作用的学习。实验结果显示出显著的改进，与传统模型相比，平均酶检索准确率的相对提升高达 88%，成对级预测提升 30%，证明了我们方法的有效性。
引用
@article{arxiv.2601.05330,
title = {Improving Enzyme Prediction with Chemical Reaction Equations by Hypergraph-Enhanced Knowledge Graph Embeddings},
author = {Tengwei Song and Long Yin and Zhen Han and Zhiqiang Xu},
journal= {arXiv preprint arXiv:2601.05330},
year = {2026}
}