Enzyformer: un modelo preentrenado de dos etapas para la retrosíntesis enzimática

Área de la Ciencia:

• Química computacional es la química computacional.
• Descubrimiento de fármacos.
• Biotecnología La biotecnología es la biotecnología.

Sus antecedentes:

• La planificación de la retrosíntesis enzimática acelera la síntesis de fármacos, pero se enfrenta a desafíos en la transferencia de conocimientos y la predicción del número de EC.
• Los modelos actuales luchan con una transferencia limitada a través de espacios químicos generales.

Objetivo del estudio:

• Introducir Enzyformer, un nuevo modelo para mejorar la retrosíntesis enzimática.
• Mejorar la precisión e interpretabilidad de la predicción de la retrosíntesis y la asignación de números CE.
• Reducir la carga de trabajo y los costos en el diseño y síntesis de fármacos.

Principales métodos:

• Enzyformer integra el entrenamiento previo de molécula y reacción para aprender la sintaxis SMILES y las reglas de reacción orgánica.
• Se emplea una estrategia de preentrenamiento en dos etapas para mejorar la predicción de la retrosíntesis.
• El aprendizaje contrastante se utiliza para la predicción secuencial del número EC en el conjunto de datos ECREACT.

Principales resultados:

• Enzyformer mejoró las precisiones de predicción de la retrosíntesis top-1 y top-10 en un 7,5% y 11,7% en comparación con R-SMILES.
• El modelo de aprendizaje por contraste logró un puntaje F1 promedio máximo de 0,924 para la predicción de números EC de primer nivel.
• El modelo demuestra una mayor precisión e interpretabilidad en la retrosíntesis enzimática.

Conclusiones:

• Enzyformer proporciona un avance significativo en la precisión e interpretabilidad de la predicción de la retrosíntesis enzimática.
• El modelo tiene el potencial de acelerar el diseño de fármacos, reducir costos y minimizar el impacto ambiental.
• Este enfoque ofrece una solución prometedora para los desafíos en el descubrimiento computacional de fármacos.