跳到正文
arXiv· Fang Wu; Hongbin Lin; Bingchen Duan; Yuchen Wang; Li Erran Li; Yanjie Huang; Mingxuan Cao; Yijun Ma; Yunxiang Mo; Yanchao Li; Kuan Pang; Juangui Xu; Hanqun Cao; Dongwei Jiang; Xinyue Xu; Xiangru Tang; Zehong Wang; Jian Ma; Kejun Ying; Guanlue Li; Mingran Cao; Fanjin Wang; Tianfan Fu; Shuangjia Zheng; Yao Shu; Jure Leskovec; Yejin Choi·· 14 天前精选AI 评分75

ProteoCraft 将蛋白质设计视为提议与验证搜索

ProteoCraft: Protein Design as Proposal-Verification Search

AI 导读

ProteoCraft 提出一种基于树的蛋白质设计搜索框架,把扩散结构预测器的近似结构梯度用作提议策略,再由无梯度折叠模型对序列进行验证打分。该方法采用多站点编辑先探索、单站点精细化的由粗到细预算分配,在 14 个 de novo binder 设计场景中提升了设计质量和高置信度产出,且在 AF2-IG 与 Rosetta 界面评估下保持。

推荐理由

把蛋白质设计写成先提议再验证的搜索,并用扩散结构预测器提供近似梯度,读者可关注其搜索预算分配思路。

预印本 · arxiv · 2611.03963

本站摘要基于收录版本 v1(2026-11-04),原始摘要与 AI 导读固定保留。

来源最近更新: · 来源 v1

摘要 · AI 翻译

蛋白质-蛋白质相互作用支撑着几乎所有的生物过程。然而,由于支配分子识别的结构复杂性,设计具有期望相互作用的蛋白质仍然充满挑战。本研究将蛋白质设计视为一个在组合序列空间中进行的搜索优化问题,其结构评估代价高昂。为此,我们提出了一种新颖的基于树的搜索框架 ProteoCraft,它利用基于扩散的结构预测器提供的近似结构梯度作为有效的提议策略,以指明搜索应当探索的方向。对折叠模型进行完全无梯度的推理,分别为所得序列赋予价值,从而判定何为优良。ProteoCraft 通过由粗到细的范式来分配这一验证预算:多位点编辑首先探索不同的序列盆地,随后经过验证的有前景状态再进行严格的单位点精修。在涵盖八种靶蛋白、五个免疫相关 TCR 面向靶点以及四个局部 CDR 重设计任务的十四项从头结合剂设计设置中,ProteoCraft 提升了设计质量与高置信度产出率。这些改进在独立的 AF2-IG 和基于 Rosetta 的界面评估下依然成立。前瞻性实验验证进一步为 PD-L1 微蛋白获得了 82.9% 的结合命中率,最佳实测 KD 为 0.879 nM,并证实了所设计的 IFNAR2 VHH 的结合。我们的代码可在 https://github.com/smiles724/ProteoCraft_v1 获取。

来源:arXiv · arxiv.org