MAXWELL 将蛋白质语言模型概率输出校准为突变诱导的稳定性变化景观
MAXWELL: Calibrating the probabilistic outputs of protein language models to the mutation-induced stability change landscape
研究团队提出 MAXWELL,一种将蛋白质语言模型预训练学到的概率输出校准为突变稳定性景观的后训练方法。将其应用于 ProteinMPNN 后,在实验测量的稳定性变化基准上优于 ThermoMPNN 等代表性方法;在 DhaA 脱卤酶的十个单点突变设计中,七个(70%)提升热稳定性,其中 G171W 的 ΔT 提升最大,测得 4.91。
预印本 · biorxiv · 10.64898/2026.07.29.741631
本站摘要基于收录版本 v2(2026-11-07),原始摘要与 AI 导读固定保留。
来源最近更新: · 来源 v2
设计能够增强蛋白质稳定性的突变是蛋白质工程中的一个核心目标。然而,实验筛选大量候选突变既昂贵又耗时,因此人们迫切需要能够识别潜在稳定化突变的计算方法。在这些方法中,蛋白质语言模型尤其有前景,因为它们能够从大规模序列和结构数据集中学习与上下文相关的氨基酸偏好。尽管如此,大多数现有的稳定性预测方法主要将这些模型用作特征提取器,并未充分利用它们所编码的氨基酸概率分布。在此,我们提出了 MAXWELL(Matrix-wise Landscape Learning,矩阵式景观学习),这是一种新颖的后训练方法,能够校准蛋白质语言模型在预训练期间学到的概率输出,从而生成突变景观,量化单个氨基酸替换对蛋白质稳定性的影响。将 MAXWELL 应用于 ProteinMPNN 后,它产生了一个最先进的蛋白质突变稳定性影响预测器,在一个包含实验测量稳定性变化的精选基准测试上优于 ThermoMPNN 及其他代表性方法。接下来,我们将 MAXWELL 应用于 DhaA 脱卤酶的十个单点突变设计,其中七个(70%)提高了热稳定性。其中,G171W 表现出最大的提升,实测 {Delta}T 为 4.91 。这些实验结果确立了 MAXWELL 作为蛋白质语言模型的一种新颖后训练策略,以及一个用于设计稳定化突变的实用框架。
来源:bioRxiv · biorxiv.org