酶功能注释和为特定反应寻找候选酶是将基因组信息映射到生化反应网络的关键环节。传统方法主要依赖序列或结构相似性，或在已知酶‑反应对上进行监督学习，这导致在大规模候选空间中难以综合生化证据，并且在成员高度相似的酶家族中检索效果不佳。\n\nRIVER（Reaction‑enzyme Inference via Evidence‑guided Retrieval）是一种多智能体框架，能够实现酶→反应和反应→酶的双向检索。系统通过协调大语言模型、专用生化计算工具以及外部知识库，在反应化学、蛋白序列与结构域、催化机制和数据库注释等多个层面收集证据。随后，专门的验证模块检查证据缺口和潜在冲突，并基于可追溯的证据记录对候选项重新排序。\n\n在公开基准上，RIVER 在酶检索和酶注释两项任务中均取得最高成功率。针对特定酶家族的检索实验表明，RIVER 在所选数据集和评价指标上均优于所有对比基线。针对近期文献构建的大肠杆菌酶检索任务，RIVER 在闭源和开源模型配置下均实现最佳表现，显著超越 Claude Code、Codex、Phylo Max 等闭源通用或生物专用多智能体系统。\n\n这些结果表明，基于证据的多智能体检索能够有效优先考虑生化上可行的酶‑反应关系，为后续实验验证提供可靠依据。\n\n点评：RIVER 将语言模型与生化工具深度融合，展示了证据驱动检索在酶功能预测中的强大潜力，为跨学科的计算生物学提供了新范式。