跳到正文
bioRxiv· Ueda, H. H.; Tucs, A.; Tsuda, K.; Umetsu, M.; Saito, Y.·· 来源仅提供日期AI 评分44

pLM-bVAE:融合蛋白质语言模型表示改进量子退火蛋白质序列设计

pLM-bVAE: protein language model-enhanced binary representation improves quantum annealing-based protein sequence design

AI 导读

pLM-bVAE 把预训练蛋白质语言模型(pLM)得到的表示引入原 bVAE 模型,为量子退火(QA)蛋白质序列设计提供二元编码。在三个公开蛋白质变体数据集上,其序列重建准确率与二元编码性能均优于 bVAE,并生成更多高分且与训练、验证数据差异更大的序列。源码已在 GitHub 公开。

预印本 · biorxiv · 10.64898/2026.11.05.764447

本站摘要基于收录版本 v1(2026-11-07),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

量子退火(QA)已被探索作为在巨大的组合序列空间中进行蛋白质设计的一种方法。将QA应用于蛋白质序列设计需要将氨基酸序列编码为二进制向量,并将优化后的向量解码回氨基酸序列。因此,二进制编码的质量和序列重建的准确性对于有效的基于QA的优化都很重要。二进制变分自编码器(bVAE)已被用于在基于QA的蛋白质序列设计中将蛋白质序列映射为二进制表示。然而,bVAE最初是为自然语言建模开发的,其对蛋白质的适用性尚未得到系统评估。在此,我们提出了pLM-bVAE,它将源自预训练蛋白质语言模型(pLM)的蛋白质表示整合到原始bVAE模型中。在三个公开蛋白质变体数据集上的计算实验中,pLM-bVAE表现出比bVAE更高的序列重建准确性和二进制编码性能。此外,我们将pLM-bVAE整合到基于QA的蛋白质序列设计框架中。在所有三个数据集中,pLM-bVAE生成了更多高评分序列,且这些序列与训练和验证数据的序列差异性比bVAE更大。我们的结果表明,pLM-bVAE为改进基于QA的蛋白质序列设计提供了有效的二进制表示。可用性 本文所用的源代码可在 https://github.com/hueda8/pLM-bVAE 获取。

来源:bioRxiv · biorxiv.org