English(EN) Synthetic reaction data from transformation rules for graph-to-sequence pretraining in biodegradation pathway prediction

新框架为生物降解途径预测生成合成数据

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-15 04:00

研究人员开发了enviGraph，一个旨在为生物降解途径预测中的图到序列模型训练生成合成反应数据的框架。这种方法解决了生物降解反应观察稀缺的问题，而这通常会限制此类模型的有效性。通过将转化规则应用于现有的化学结构数据库并整理结果，该框架为预训练生成了超过776,000个规范父-产物对。研究发现，与使用现有的专利反应数据集相比，使用此合成数据进行预训练在生物降解途径预测任务上产生了更优越的性能。 AI

影响这项研究通过克服生物降解途径预测中的数据稀缺问题，有可能加速环境科学AI模型的发展。

排序理由该集群包含一篇研究论文，详细介绍了用于机器学习模型生成合成数据的新框架和方法论。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 14 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇研究论文，详细介绍了用于机器学习模型生成合成数据的新框架和方法论。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Irsyaad Rijwan, Liam Brydon, Aidan Jared, J\"org Simon Wicker · 2026-10-15 04:00

用于生物降解途径预测的图到序列预训练的转化规则合成反应数据

arXiv:2610.19640v1 Announce Type: new Abstract: The scarcity of observed biodegradation reactions constrains the training of product and pathway predictors. We present enviGraph, a framework that generates and curates synthetic reaction data, uses these data to pretrain a graph-t…

本文如何被排名

报道来源 [1]

用于生物降解途径预测的图到序列预训练的转化规则合成反应数据

相关实体

相关话题