GLOM-TGITO 提出多尺度蛋白建模与多视图景观引导的序列发现方法
GLOM TGITO: multiscale protein modelling and multiview landscape-guided sequence discovery
GLOM-TGITO 将全局-局部荧光预测器与多视图景观引导优化结合,用于离线蛋白设计中的候选序列发现。在 31,434 条实测 ppluGFP2 序列上,GLOM 的随机/深度留出 RMSE 为 0.170/0.247,低于 SaProt-650M 对照的 0.247/0.324;三个训练种子平均下,预测排名 Top 100 测试变体中有 96.3%/97.3% 实测为亮。
预印本 · biorxiv · 10.64898/2026.10.22.760886
本站摘要基于收录版本 v1(2026-10-28),原始摘要与 AI 导读固定保留。
来源最近更新: · 来源 v3
动机:离线蛋白质设计可能利用替代预测器的误差,从而偏向那些缺乏实测支持的高分序列。我们检验多尺度表示与局部实验数据能否改善预测和候选序列的优先级排序。结果:GLOM-TGITO 将一个全局-局部荧光预测器与多视角景观引导优化相结合。在 31,434 条实测 ppluGFP2 序列上,GLOM 的随机/深度留出 RMSE 分别为 0.170/0.247,而最强的 SaProt-650M 对照为 0.247/0.324。在三个训练种子上取平均,按预测排序的 Top 100 测试变体中有 96.3%/97.3% 实测为亮(log10 荧光 >=4.2)。从 900 个峰值区域出发的搜索产生了 2,594 条不同的候选序列。所选 Top 100 的平均表示偏差比四条对照流程低 2.9-8.2%;在新颖性-可靠性联合筛选中,有 38 条通过,而对照仅有 11-16 条通过。该偏差能够识别出实测误差 >0.1 的测试样本(AUROC
来源:bioRxiv · biorxiv.org