基于图到图模型的生物催化逆合成增强:BioG2G_ESR统一框架

《Chemical Science》:Enhancing biocatalytic retrosynthesis with a graph-to-graph modelOpen Access

【字体: 大 中 小 】 时间:2026年09月21日 来源:Chemical Science 8.1

编辑推荐:

  生物催化合成为化学生产提供了一条绿色且可持续的途径,然而由于需要同时考虑反应可行性和酶兼容性,生物催化路线的理性设计仍然具有挑战性。在此,研究人员提出了BioG2G_ESR,这是一个以图到图(graph-to-graph)建模为核心的统一框架,用于单步生物催化

  
生物催化合成为化学生产提供了一条绿色且可持续的途径,然而由于需要同时考虑反应可行性和酶兼容性,生物催化路线的理性设计仍然具有挑战性。在此,研究人员提出了BioG2G_ESR,这是一个以图到图(graph-to-graph)建模为核心的统一框架,用于单步生物催化逆合成,并以酶序列推荐作为下游扩展。BioG2G将逆合成建模为图到图翻译任务,直接从产物结构预测反应物分子图,同时保持分子拓扑和立体化学一致性。广泛的基准评估表明,BioG2G在生化逆合成基准上取得了强劲的性能,在Biochem-Plus上Top-1准确率达到30.3%,在Biochem-Full上达到55.0%。研究人员进一步检查了Biochem-Plus训练集中未出现的代表性文献衍生反应作为定性外部示例。基于预测的反应,酶序列推荐器(enzyme sequence recommender,ESR)主要根据反应相似性对候选酶序列进行排序,并以模板-查询匹配作为置信分层的辅助信号。留一法评估显示,在不同置信组中,模板匹配分数与Top-k准确率之间存在明显的关联。总之,BioG2G_ESR为数据驱动的生物催化设计提供了一个统一且可扩展的框架,其中基于图的逆合成是核心组成部分,酶推荐是补充能力。
**一、研究背景与问题**

生物催化已成为可持续绿色合成的重要范式,能够在温和反应条件下实现高选择性转化。然而,酶催化合成路线的理性设计仍面临重大挑战,因为这一过程既需要识别化学上可行的逆合成断开方式,又需要筛选能够催化相应转化的酶。计算逆合成在有机化学领域已取得长足进展,基于SMILES表示的序列到序列(Seq2Seq)模型被广泛采用,但这类模型本质上是基于线性化分子字符串运作,对标记化选择和反应表示较为敏感,难以保持分子拓扑、立体化学和反应中心对齐,特别是在涉及复杂环系、辅因子等生物催化常见结构约束时。基于图的分子表示通过显式编码原子连接性和局部化学环境提供了自然替代方案,图到图(G2G)方法在反应预测和逆合成中展现出优势,但G2G逆合成在生物催化反应中的应用仍然有限。与此同时,酶推荐已成为生物催化合成规划的关键组成部分,现有方法通常依赖反应指纹、酶序列相似性或反应模板匹配,但多数框架将逆合成和酶推荐视为独立任务,未能在统一工作流中连接结构断开预测与酶排序。

**二、研究内容与结论**

研究人员提出了BioG2G_ESR,这是一个以图到图逆合成为核心、以酶序列推荐为下游扩展的统一框架。BioG2G模块采用G2G Transformer架构,直接将产物分子图翻译为反应物图,无需依赖预定义反应模板,保留了结构和立体化学一致性。基于预测的逆合成反应,ESR模块根据反应相似性和模板-查询子结构匹配对候选酶序列进行辅助排序。通过在其他基准上广泛评估,BioG2G在Biochem-Plus和Biochem-Full上分别达到30.3%和55.0%的Top-1准确率。研究人员进一步引入立体化学增强的图标记化和解码方案BioG2G-Stereo,有效缓解了立体化学感知评估下的性能下降。错误分析揭示了无效分子结构和化学上合理但不匹配的逆合成假设两类主要错误来源。ESR模块的留一法评估表明,模板-查询匹配分数能够有效对酶推荐进行置信分层。该框架为数据驱动的生物催化设计提供了统一且可扩展的基础。

**三、主要关键技术方法**

研究人员使用了两个不同规模的生化反应数据集:中等规模的Biochem-Plus(源自BioNavi-NP,包含88 156个训练反应、984个验证反应和984个测试反应)和大规模的Biochem-Full(基于BioNavi构建,包含865 506个训练反应、4806个验证反应和48 118个测试反应)。核心技术包括:(1)基于原子映射的图序列化与节点对齐,确保自回归解码的确定性节点排序;(2)Uni-Mol+编码器,通过相对几何量(配对位移向量和原子间距离)引入三维结构信息;(3)自回归图解码器,直接生成结构化反应物图;(4)ESR模块构建SMARTS反应模板库(源自EnzymeMap v2.0、BRENDA和Rhea,经RDChiral提取),以反应差异指纹(reaction-difference fingerprint)为主要检索信号,以模板-查询子结构匹配为辅助置信分层依据;(5)留一法(leave-one-out,LOO)评估,在移除目标条目的参考库上进行酶检索与排序。

**四、研究结果**

**4.1 BioG2G在两个逆合成基准上的性能**

在Biochem-Plus基准上,与AugTransformer、TiedTransformer、GTA、MEGAN、Retroformer、Graph2SMILES、Chemformer、GSETransformer、BioNavi-NP和READRetro等基线模型相比,BioG2G在每个评估的k值上均取得最高数值准确率,Top-1、Top-3、Top-5和Top-10准确率分别为30.3%、49.4%、55.6%和62.9%。在与BioNavi-NP的正式共享反应比较中,Top-1和Top-3的改进显著(Holm校正后P < 0.0001和P = 0.0022)。在更大的Biochem-Full基准上,BioG2G同样表现最佳,Top-1准确率达55.0%,超过BioNavi(39.4%)、Graph2SMILES(40.9%)和NeuralSym(35.6%)。2×2消融研究表明,节点对齐的目标序列化主要改善累积的高位性能,而在当前单次运行的比较中,三维几何通路未显示出统计学上显著的独立贡献。

**4.2 外部文献案例和多步萜类生物合成的定性评估**

从独立文献来源选取代表性烷基化和卤化反应,所有涉及分子均未出现在Biochem-Plus训练集中。BioG2G在所有选定例子的Top-10预测中恢复了文献报道的反应物,多数出现在Top-1或Top-3位置,说明该模型能够为训练集未出现的文献反应生成化学上合理的逆合成假设。将BioG2G迭代应用于紫杉烷相关生物合成路线,在显示的步骤中,文献报道的中间体以高排名被恢复。相比之下,BioNavi-NP在这些选定案例中未能在Top-10预测内恢复文献报道的反应物。

**4.3 BioG2G立体化学意识的提升**

默认的BioG2G流程在后处理阶段将立体化学标记从输入产物转移到预测反应物的对应原子,该方法在反应创建、移除或翻转立体中心或破坏原子对应关系时不可靠。为此引入立体化学增强的图标记化和解码方案BioG2G-Stereo,在输出词汇表中扩展原子级手性标签标记和键级立体化学标记,与原子和键标记交错并由同一自回归解码器联合生成。在Biochem-Plus和Biochem-Full基准上的评估显示,显式立体化学编码在立体化学感知评估下显著提高了准确率,但扩展输出空间也降低了立体化学无关的Top-k准确率,表明显式立体化学建模与仅拓扑预测性能之间存在权衡。

**4.4 Biochem-Plus基准上错误预测的分析**

对BioG2G在Biochem-Plus测试集上产生的错误预测进行了系统分析,识别出两类主要错误:一是化学无效结构,包括不正确的质子化状态(如硝基中氧原子过度质子化)和显式价态违规(如不合理的高价态磷,+7价);二是化学上合理但不匹配的逆合成假设,包括替代断开模式、区域异构体差异和外围官能化差异,这些预测在严格精确匹配评估下被视为错误,但预测反应物在化学上连贯且机制上可解释。对984个测试反应的系统亚组分析显示,最低准确率出现在最低分子量四分位数组(Top-1/Top-10:21.9%/57.1%)和无旋转键产物(18.9%/42.2%),而含有至少六个旋转键的产物达到38.9%/68.1%,表明准确率未随分子大小或结构复杂性增加而均匀下降。

**4.5 酶推荐中基于模板匹配的置信分层**

在包含14 805条查询记录的最终ESR评估集上执行留一法评估,与仅使用指纹的基线进行比较。指纹基线在Top-1、Top-3、Top-5和Top-10准确率分别为0.440、0.564、0.611和0.671。将SMARTS反应模板直接纳入全局排序未带来一致的Top-k准确率提升。基于模板-查询子结构匹配分数,酶预测被分为低(0.00–0.30)和高(0.70–1.01)两个置信区间(中间区间无预测落入)。高匹配组覆盖59.2%的查询,Top-1至Top-10准确率分别为0.51、0.64、0.69和0.75;低匹配组覆盖40.8%,准确率分别为0.33、0.44、0.48和0.55。这表明模板-查询匹配为分层酶推荐提供了辅助的可解释可靠性信号。

**4.6 基于图的逆合成和酶序列推荐在文献案例研究中的集成评估**

对三个独立文献研究中的代表性反应进行了集成评估,涵盖环化酶催化的竞争性[2 + 2]和[4 + 2]环加成反应(文献反应物排名第2)、P450催化的后期氧化官能化反应(排名第3)、以及结合原位生物合成非天然氨基酸的人工酶系统(排名第4)。ESR模块基于预测反应提出的酶序列候选在UniProt注释层面与反应类型一致,例如环化酶相关酶和细胞色素P450家族。研究人员强调,这些UniProtKB注释和人工检查仅提供定性功能一致性检查,而非推荐酶的实验验证,建立目标转化的催化活性需要候选蛋白的表达纯化和底物特异性活性测定。

**五、讨论与结论**

讨论部分指出,BioG2G_ESR的核心设计选择是结构断开预测与酶排序的解耦,同时将两项任务集成到统一工作流中。当前实现未提供辅因子化学的一般原子分辨表示,其建模基团转移反应的能力取决于供体组分是否保留在策划的反应记录中。原子映射仅用于训练期间的图序列化一致性,模型推理时不需要原子映射。当前推理使用单一计算生成的坐标实现而非构象系综平均,高柔性分子的预测可能保留与构象选择相关的不确定性。局限包括单步逆合成设置和ESR可靠性依赖于参考数据库中化学相关反应-酶关联的覆盖度,对缺乏相关生化先例的新颖转化预测应谨慎解释。多步扩展和更丰富的酶表示是未来方向。

研究结论部分可翻译为:总体而言,BioG2G_ESR通过连接基于图的逆合成与酶推荐及辅助置信分层,为数据驱动的生物催化合成规划提供了统一且可扩展的基础。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号