EZSolver：通过双向流匹配与搜索无模板预测极性酶促反应机制

预测酶促反应机制对于理解酶功能以及设计与发现新酶至关重要。当前的计算预测器依赖于确定性的、基于规则的字典，这类方法在分布内任务上表现良好，但无法泛化到分布外（OOD）化学。为解决这一局限性，我们提出了 EZSolver，一个用于极性酶促机制预测的无模板生成式框架。EZSolver 由流匹配预测器（EZFlow）驱动，并通过评估器引导的双向束搜索进行导航，其学习的是电子再分布的化学规律，而非记忆僵化的模板。在跨多种酶类别的评估中，EZSolver 在未见过的极性酶促反应的完整机制预测任务上达到了 60.0% 的准确率和 84.6% 的化学合理性比率。严格的 OOD 基准测试表明，当缺乏预定义模板时，基于规则的模型会完全失效，而 EZSolver 能够成功外推化学知识以推断未被编目的反应路径。通过揭示酶促化学机制，EZSolver 为酶功能的自动化预测以及面向可持续化学的新型生物催化剂的发现与设计铺平了道路。

预测酶促反应机制对于理解酶功能以及设计和发现新酶至关重要。当前的计算预测方法依赖于确定性的、基于规则的词典，这类方法在分布内任务上表现良好，但无法泛化到分布外（OOD）化学问题。为解决这一局限性，我们提出了 EZSolver，这是一种用于极性酶促机制预测的无模板生成式框架。EZSolver 由流匹配预测器（EZFlow）驱动，并在评估器引导的双向束搜索下进行导航，其学习的是电子重新分布的化学规律，而非记忆僵化的模板。在跨多种酶类别的评估中，对于未见过的极性酶促反应的完整机制预测，EZSolver 实现了 60.0% 的准确率和 84.6% 的化学合理性比率。与基于规则的模型在缺乏预定义模板时性能崩溃不同，EZSolver 在严格的 OOD 基准测试中展示出能够成功外推化学知识以推断未编目的反应路径。通过揭示酶促化学机制，EZSolver 有助于推动酶功能的自动化预测，以及面向可持续化学的新型生物催化剂的发现与设计。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.07.08.737313v1?rss=1

🏷️ 酶促反应机制 无模板预测 流匹配 双向束搜索 分布外泛化 生物催化剂设计