跳到正文
bioRxiv· Mukkavilli, N.; Ivanov, K.; Beck, D. A. C.; Akbari, H.; McCully, M.·· 来源仅提供日期AI 评分60

用稀疏自编码器揭示ProteinMPNN的蛋白特征

Uncovering Features of ProteinMPNN with Sparse Autoencoders

AI 导读

研究团队将稀疏自编码器引入ProteinMPNN,扩展其潜在空间,并发现稀疏维度激活与二级结构、残基体积、残基形状、二硫键及配体配位等蛋白特征相关。他们还通过操纵稀疏激活,生成比基于高温分子动力学模拟的传统机器学习方法更热稳定的Brolucizumab短链可变片段变体。该工作同时提供对蛋白设计模型的机制理解和对序列预测的可定制操纵。

预印本 · biorxiv · 10.64898/2026.11.09.765161

本站摘要基于收录版本 v1(2026-11-12),原始摘要与 AI 导读固定保留。

来源最近更新: · 来源 v2

摘要 · AI 翻译

通过理解 ProteinMPNN 等最先进蛋白质设计模型背后的机制,可以实现对机器学习衍生序列的定制与改造。不可解释性被认为主要源于多义性,即神经网络存储的特征数量超过其维度所能容纳的。在此,我们将稀疏自编码器(SAEs)引入 ProteinMPNN,扩展其潜在空间,并揭示了稀疏维度中的激活与蛋白质特征(如二级结构、残基体积、残基形状、二硫键以及与配体的配位)存在之间的相关性。此外,我们还表明,可以通过操纵稀疏激活来产生短链可变片段 Brolucizumab 的一个变体,该变体基于高温分子动力学模拟,比传统机器学习方法产生的变体具有更高的热稳定性。因此,SAEs 既提供了对蛋白质设计模型的机制性理解,又实现了对序列预测的可定制化操作。

来源:bioRxiv · biorxiv.org