给定骨架再写序列:逆折叠设计能做到哪一步

逆折叠与常见的序列模型方向相反

正向折叠问题通常从氨基酸序列出发,关心它会形成怎样的结构;逆折叠则给定一个目标结构,寻找可能与该结构相容的序列。对机器学习而言,输入和输出因此发生了交换:输入不再仅是一串残基,而是一个带有空间关系的主链骨架;输出是一条或多条氨基酸序列。所谓“结构条件序列设计”,首先是一个条件生成任务的定义,不是对生成序列实验性质的声明。

这个区分看似简单,却关系到所有结果应如何解读。骨架条件模型可以回答“在这个几何目标下,哪些序列看起来合理或接近天然序列”,但真实设计还关心表达、溶解、稳定、折叠路径、装配状态以及具体功能。任何一个条件都可能使计算候选失败。因而模型的序列恢复率、序列似然或结构预测分数,都不能直接替代真实的生化测定。

蛋白质设计流程也不只是一个神经网络。它至少包含目标结构来源、结构清理、可设计位置设定、候选序列采样、计算筛选、合成表达、结构与功能检测等环节。模型的角色在于提出与骨架匹配的候选,不是自动完成后续每个环节。若骨架本身来自预测、理想化或人工构造,候选能否实现该目标结构还要由独立证据支持。

ESM-IF1:从大量预测结构学习逆折叠

Hsu 等人的工作《Learning inverse folding from millions of predicted structures》训练了结构条件序列模型 ESM-IF1。研究使用 AlphaFold2 为约 1200 万条蛋白质序列预测结构,以扩大可用于逆折叠学习的结构数据。模型接收主链原子坐标,经含几何不变处理的网络,再用 Transformer 自回归地产生氨基酸序列。自回归意味着序列按一定次序逐位置生成,每一步都依赖骨架信息与已生成残基。

作者评估的是给定骨架上的序列恢复和多种计算任务。模型在结构上留出的测试骨架上与已有方法比较;还评估了复合物相关设计、部分可见结构以及界面等场景。论文报告的序列恢复结果说明模型能根据空间骨架提出与原生序列有一定一致性的输出。需要强调的是,恢复天然序列并不是设计成功的唯一标准:同一个骨架可能容纳多种序列,天然序列未必是唯一的可行答案;反过来,某个模型生成的新序列与天然序列差异较大,也不能仅凭差异判断它无效。

ESM-IF1 的论文提供的是模型和计算评估证据,并没有在该项工作中把每个生成候选都合成、测结构并测功能。因此,不宜把 ESM-IF1 的计算成绩说成“已实验验证的功能设计”。有些模型页面或介绍材料会用“预测能折叠成该骨架”的简短表达,那是逆折叠任务的设计目标,不代表每一条生成序列已经在实验中实现了目标折叠。

ProteinMPNN:显式利用主链几何

ProteinMPNN 是另一类结构条件序列设计方法。它将蛋白质残基表示成图中的节点,并以主链原子之间的距离等几何关系构造边特征,再通过消息传递网络整合局部与邻域结构信息;随后用自回归解码生成序列。模型可应用于单链和多链骨架,并支持指定位置固定或通过位置耦合处理对称、重复结构等条件。这些能力说明结构如何进入计算过程,但不会自动消除目标骨架与真实分子环境之间的差异。

ProteinMPNN 论文同时报告计算基准和多类实验测试。计算基准包括天然骨架上的残基恢复、单体与多链结构,并比较不同结构输入情形;作者还研究坐标扰动训练对预测骨架应用的影响。实验部分涉及重新设计的单体和寡聚体、纳米颗粒相关组装,以及一个结合案例。验证手段包括可溶性检测、色谱或显微结构分析、晶体结构和生物层干涉等。正因为论文同时包含计算和实验两类证据,描述时仍要分开:实验只针对被实际制备、测量的选定设计,不能推广为每个模型输出都会表达或具有目标功能。

论文作者也提醒,原生序列恢复受到结构分辨率影响,和真实折叠并非一一对应;局部替换可能影响整体折叠。实验验证因而不是模型流程末尾可有可无的装饰,而是判断候选是否进入现实的关键部分。ProteinMPNN 的结构与功能案例支持其在所测任务中的可行性,不能证明它对任意骨架或任意设计目标都有效。

从目标骨架到实验结论,中间还有几道关

首先要问目标骨架从何而来。实验解析结构、计算预测结构、人工构造骨架的误差和可信度不同。若把预测结构输入逆折叠模型,模型产生的序列再由同源或相关结构预测器评估,两个计算系统可能共享训练数据、建模假设或偏好。多个算法一致,并不必然构成完全独立的验证。应尽可能使用不同来源的方法,记录结构的解析度、缺失区域、链定义、配体和环境信息,并将不确定结构片段与固定区域区别处理。

其次,骨架序列生成本身常包含多个选择。温度、随机种子、固定残基、链间约束、位置耦合和抽样数量都会影响候选分布。若只挑选最有利的候选,却不报告生成和筛选规则,便难以复核设计是否具有可重复性。候选筛选还可能采用序列似然、结构预测、聚集倾向或能量评分;这些代理指标各自覆盖有限性质,筛过一轮仍不等于实际实验。

第三,序列在细胞中表达与纯化,可能受到密码子、宿主、表达载体、折叠伴侣、氧化环境和实验条件的影响。结构条件模型的输入常聚焦骨架几何,不一定包含配体、金属离子、膜环境、翻译后修饰、动态构象或所有相互作用伙伴。模型可能给出几何上自洽的序列,却未必处理了设计目标所需的全部生物化学条件。

最后,功能验证需要与问题对应。若目标是结合,需测结合而不仅看结构;若目标是催化,需测反应与对照;若目标是稳定性,应明确测量条件和读出方式。还需报告失败候选与阴性对照,因为只展示成功例子会掩盖真实成功率与筛选成本。结构匹配也仅说明样品的某个结构状态接近目标,不自动说明目标功能成立。

一条审慎的设计验证路径

下面的流程图表示通用证据链,不是任一论文固定执行的完整协议。图中的“实验检测”必须根据设计目标选择合适读出;结构、表达和功能证据应分别报告,不能由一个计算评分代替。

flowchart TD
    A[目标骨架与结构来源] --> B[确定固定位置、链与设计约束]
    B --> C[逆折叠模型采样序列]
    C --> D[记录采样参数并去冗余]
    D --> E[独立计算筛选与风险评估]
    E --> F[合成、表达与纯化]
    F --> G[测量结构、溶解性或组装]
    G --> H[按目标进行功能实验]
    H --> I[报告成功与失败候选及条件]

用于数据审计的伪代码可以检查设计候选是否具备结构来源、模型版本和筛选记录。它不生成实验值,也不能推断实验是否成功。

# 示意:审计真实设计记录的完整性,不造数、不模拟实验结论
records = load_design_records_from_audited_project()
required = ["target_structure", "structure_source", "model_version", "sampling_config"]

for record in records:
    missing_fields = [key for key in required if not record.has_field(key)]
    if missing_fields:
        flag_for_provenance_review(record.identifier, missing_fields)

    if record.has_experimental_results():
        check_assay_protocol_and_controls(record)
        keep_measurements_linked_to_original_source(record)

做真正的验证时,应保存骨架文件、序列、模型检查点或版本、参数、随机种子、候选过滤过程和试验批次之间的关系。对计算结果,可报告其输入和独立性;对实验结果,可报告样本规模、测量方法、阴性与阳性对照及预先设定的判断标准。这里的目的不是要求每一篇计算论文都做完整实验,而是让结论明确停在证据实际到达的那一级。

读论文时可用的边界清单

看到“逆折叠”“结构条件设计”时,可先确认四件事:输入究竟是主链、全原子结构还是带环境的复合物;输出是否只是序列;评测是原生序列恢复、结构预测还是实验;实验是否覆盖表达、结构与目标功能。把这四个问题分别回答后,读者就不容易把模型机制、计算分数和真实分子性质混为一谈。

还应查看数据划分是否按结构相似性、序列同源或蛋白家族隔离。若训练与测试结构很相近,恢复能力说明模型在该分布内工作良好,但未必证明面对新折叠或新功能时也同样可靠。结构库中预测结构的数量增加了训练覆盖,也带来结构质量、重复序列、模型来源和潜在分布偏差等需要审计的问题。

实验验证的读出不能互相替代

“实验验证”不是一个笼统的通过标记。设计从计算候选到功能结论,至少要区分样品是否制备出来、是否形成预期组装、实测结构是否接近目标,以及目标功能是否成立。每一级都回答不同问题,前一级的成功不保证后一级。

证据层级 典型读出 可以支持的判断 不能单独推出的结论
表达与可溶性 表达、可溶性检测 候选在特定宿主和条件下可获得可测样品 已形成目标折叠或具有功能
组装状态 SEC、SEC-MALS 等 溶液中观察到的组分或寡聚状态符合预期 原子级结构正确或活性成立
结构 晶体学、电子显微镜等 被测样品的结构与目标模型相符到相应测量精度 其他条件下稳定,或实现目标生化功能
目标功能 结合、催化或其他匹配目标的实验 样品在给定条件下表现出相应功能读出 对未测条件、伙伴或应用场景同样有效

ProteinMPNN 论文把这些证据放在不同实验中呈现:可溶性和色谱分析关注样品及组装,结构测定针对被选中的设计,结合案例则使用生物层干涉等方法,并以改变设计位点的突变作为对照。这样的证据比单一计算分数更接近设计目标,但仍然只覆盖实际制备和测量的候选。结合信号支持的是该测定条件下的相互作用,不等于已经证明更广义的生物功能;结构相似也不能替代活性实验。

还要报告每道筛选门的分母:最初采样多少候选,计算过滤后留下多少,实际合成、表达和测量了哪些,以及各阶段的失败如何处理。只展示最后通过的一例,无法让读者判断成功案例是普遍可复现,还是严格筛选后留下的少数结果。ESM-IF1 的论文以计算评估为主,而 ProteinMPNN 论文对若干具体设计另有实验读出;比较两者时应列出各自证据到达的层级,而不是笼统地问哪个“已验证”。

小结

逆折叠把骨架作为条件,输出序列候选,是蛋白质设计中的重要计算环节。ESM-IF1 利用大规模预测结构学习骨架到序列的映射;ProteinMPNN 显式编码主链几何,并在论文中展示了若干计算与实验案例。两者回答的是“如何提出与骨架相容的序列”,而非“每条输出都已折叠并具备功能”。最可靠的设计论证要把目标结构、生成过程、计算筛选和真实实验分层报告,并明确每一层尚未证明什么。

参考资料

  1. Hsu C. et al. Learning inverse folding from millions of predicted structures. ICML / PMLR, 2022. 论文页面
  2. Dauparas J. et al. Robust deep learning-based protein sequence design using ProteinMPNN. Science, 2022. DOI: 10.1126/science.add2187
  3. Lin Z. et al. Evolutionary-scale prediction of atomic-level protein structure with a language model. Science, 2023. DOI: 10.1126/science.ade2574
  4. Madani A. et al. Large language models generate functional protein sequences across diverse families. Nature Biotechnology, 2023. DOI: 10.1038/s41587-022-01618-2
← 返回资讯列表

读者留言

COMMENTS 暂无
仅本站原创文章开放留言 · 请勿留下手机号、邮箱等个人信息

还没有留言,来说第一句?