FoldScape 从序列预测任意折叠阶段的蛋白质构象集合
Predicting protein structures at any folding stage from sequence
研究团队提出序列条件深度学习框架 FoldScape,可在指定折叠比例 Q 下生成蛋白质 Cα 构象集合,并从序列重建三维链。在 20 种人类蛋白质(36 至 857 个残基)上,相同样本量下它对折叠坐标的覆盖比不同随机种子生成的 AlphaFold 3 集合高约一个数量级,但 AlphaFold 3 更能锚定近天然区域,两者形成互补。
预印本 · arxiv · 2611.04287
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 v2
蛋白质结构预测器能够可靠地识别天然构象,但无法描述连接未折叠系综与折叠态的连续过程。在此我们提出 FoldScape,一个以序列为条件的深度学习框架,可在指定的折叠分数 $Q$ 下生成 C$α$ 构象系综。FoldScape 通过一维残基间距离的分层滑窗回归重建三维链,随后进行链组装,并使用整流流(rectified-flow)解码器进行采样。该模型在多尺度粗粒化折叠轨迹和全原子机械解折叠轨迹上进行训练。在 20 种人类蛋白质(36-857 个残基)上,在相同样本量下,FoldScape 覆盖的折叠坐标范围比种子变化的 AlphaFold 3 系综大约多一个数量级,且在不同蛋白质、序参量和分箱选择上均稳健。AlphaFold 3 更好地锚定了紧邻的天然邻域,而 FoldScape 无法到达该区域,因此两种方法具有互补性。FoldScape 的重建精度沿 $Q$ 保持大致恒定,从塌缩线圈到近天然球状体均如此,而不会随远离天然态而退化。步长为一的裁剪-叠加方案可将推理扩展到比单次链级前向传播长数倍的链。我们还表明,训练轨迹能够在残基分辨率上解析机械解折叠,以伸长为条件的系综在不同拉伸速度下表现出可重复的连续观测量,且部分解折叠的链会形成几何上连贯的片段。因此,FoldScape 无需针对每种蛋白质进行模拟,即可兼顾对折叠阶段的广泛覆盖与稳定的重建精度。
来源:arXiv · arxiv.org