跳到正文
arXiv cs.AI· Yikun Zhang, Minghao Guo, Guangxue Xu, Peter Yichen Chen, Wojciech Matusik, Wengong Jin, Jingjing Chai, Kaiyi Jiang·· 7 天前精选AI 评分70

ProTEUS:面向闭环蛋白质进化的突变分辨世界模型(预印本)

ProTEUS: A mutation-resolved world model for closed-loop protein evolution

AI 导读

预印本提出 ProTEUS,一个以突变为单位的世界模型,用于闭环蛋白质进化,并在零样本和监督微调突变预测任务上均超过已有模型。模型基于 MutationFormer 的突变偏向注意力架构,在深度突变扫描数据上预训练,联合编码序列、进化和结构信息,其全原子预测器借助显式几何约束使速度较 AlphaFold3 提升逾 10 倍。

AI 深度导读基于原文整理的分节解读
背景
蛋白质工程需要在崎岖的适应度景观中搜索,小的序列改动可能带来大的功能差异,而实验筛选只能覆盖序列空间中很小的一部分。因此,如何在计算机中高效遍历庞大的突变组合空间,是一个核心难题。
做法
作者提出 ProTEUS,一个以突变为分辨率的闭环蛋白质进化世界模型。模型在深度突变扫描数据上预训练,用名为 MutationFormer 的突变偏置注意力架构联合学习序列、进化和结构信息;变体被表示为该联合隐空间中的状态,突变被定义为动作,并预测其功能后果。为支撑大量突变体的探索,作者还开发了一个快速、受物理约束的全原子预测器,通过显式几何约束实现速度比 AlphaFold3 提升 10 倍以上,并保证物理有效性。最后,ProTEUS 通过闭环实验反馈来修正对蛋白活性的预测与理解,引导进化走向目标表型。
结论
在零样本和监督微调两类突变预测任务上,ProTEUS 超过已有模型。作者在醛脱氢酶和蔗糖蔗糖酶(levansucrase)上开展了两轮闭环多目标工程实验,获得比野生型活性高 10 倍以上的变体。
意义
这项工作把突变结果的虚拟评估与实验学习连接起来,形成世界模型框架,用于高效的蛋白质进化;其快速全原子预测器与闭环反馈机制可服务于多目标蛋白质工程中的突变体筛选与定向进化。

本页是 AI 精读,不转载论文原文;完整论文(含方法、图表与参考文献)见原文

推荐理由

预印本把突变效应预测与闭环实验反馈结合,并用全原子预测器加速筛选,可参考其蛋白质工程流程。

来源:arXiv cs.AI · arxiv.org