Enzymvorhersage verbessert: Hypergraph-Embeddings nutzen chemische Reaktionsgleichungen

Die Vorhersage von Enzym‑Substrat‑Interaktionen ist ein zentrales Problem in der Biochemie und der Stoffwechseltechnik. Traditionelle Modelle stützen sich auf Datenbanken mit Experten‑kuratierten Enzym‑Substrat‑Paaren, die jedoch oft lückenhaft und ressourcenintensiv zu pflegen sind. Diese Datenknappheit erschwert es den Modellen, neue, unbekannte Interaktionen zuverlässig vorherzusagen.

Um dieses Problem zu lösen, greifen die Forscher auf chemische Reaktionsgleichungen aus fachspezifischen Datenbanken zurück, die leichter zugänglich und dichter an Informationen sind. Sie stellen diese Gleichungen als Tripel (Educt, Enzym, Produkt) in einem Wissensgraphen dar und nutzen Knowledge‑Graph‑Embeddings (KGE), um fehlende Enzym‑Substrat‑Paarungen zu ergänzen.

Der Kern der Arbeit ist das Modell Hyper‑Enz, das einen Hypergraph‑Transformer mit einem KGE‑Modell kombiniert. Dadurch werden Hyper‑Kanten, die mehrere Educts und Produkte umfassen, effektiv repräsentiert. Zusätzlich wird ein Multi‑Expert‑Paradigma eingeführt, das das Lernen der Enzym‑Substrat‑Interaktionen weiter steuert.

Durch die Kombination von hypergraphenbasierten Embeddings und chemischen Reaktionsdaten können Enzymvorhersagen nun besser generalisieren und neue Interaktionen identifizieren. Diese Fortschritte eröffnen vielversprechende Perspektiven für die Optimierung von Stoffwechselwegen und die Entwicklung neuer biotechnologischer Anwendungen.