只给酶就能写出完整反应：400个候选内，25.0%的代谢物重组测试对被精确还原
核心概要
酶功能预测长期依赖同源序列检索或把酶映射到已知反应，无法给出训练数据里没有的反应。一个以酶序列与AlphaFold结构为条件、逐个代谢物生成反应的模型在反应不相交基准EnzymeMap_x上，400个采样候选内对25.0%的代谢物重组测试对给出完整正确反应，对含训练未见代谢物的测试对仅1.6%。匹配的消融显示结构通道对精确还原没有可测影响，提升主要来自词表覆盖与化学初始化。
深度剖析
生成式模型可以只凭酶写出完整反应式，包括反应物和产物两侧，而不必从给定反应库中挑选。 BLASTp、DIAMOND、CLIPZyme和Horizyn按设计只能返回训练中已有或推理时已提供的反应，最接近的RxnPred在留出酶上报告指纹相似度，但在未见反应上无法还原正确答案。 在EnzymeMap_x这一反应不相交基准的2,349个测试对上，400个采样候选内完整反应还原率为14.30%（336对），产物集合还原率为27.93%；打乱酶输入后分别降到0.38%和0.77%，与仅按频率排序训练产物集合的0.81%相当。
模型把酶序列与AlphaFold结构编码成一条残基级表示，再由自回归解码器逐个代谢物写出反应。 结构一侧用ESM-2序列流与在Cα距离最近邻图上运行的GVP-GNN图网络拼接，解码器通过交叉注意力读取这条2L+2长度的序列。 词表嵌入以ECFP4指纹加40维RDKit描述符经PCA降到512维做化学初始化；在25个采样内，产物集合还原率为8.39%，高于ChemBERTa初始化的6.90%和随机初始化的6.13%。
按代谢物是否在训练中出现划分难度后，模型的泛化主要是组合式的。 此前生成式工作报告能生成重组反应但频率很低，且未按代谢物新旧分层评估。 400个采样内，1,275个重组测试对中319对（25.02%）被完整还原；795个需要未见产物代谢物的测试对中17对（2.14%）被还原；279个未见代谢物位于反应物一侧的测试对无一被生成。
启示与展望
评估限定在EnzymeMap_x这一反应不相交基准的2,349个测试对上，采用区分立体化学的精确多重集匹配；其中76.7%的测试对可连接到一条反应规则，而这些规则有99.6%也出现在训练反应中，因此基准检验的是已知反应类型在新底物与辅底物组合上的重组。作者提出后续可用注意力分析、留一生物体划分以及按EC号或规则划分来区分酶层面与反应类型层面的泛化。
词表是传导式的：仅出现在测试中的代谢物在训练前就用自身化学结构初始化了嵌入行，因此新代谢物还原是从给定词表中挑选而非开放词表生成。1,277个测试酶中有818个也出现在训练中，按酶层面计分会把还原率从14.3%抬到71.2%，其中98.5%的新增来自记忆。重排序的top-1结果高度依赖“答案为新反应”的假设，去掉该假设后top-1为0.21%。作者指出性能上限究竟来自架构还是训练信息尚不清楚。