跳到正文
arXiv· Zilu Zhang; Jing Bao; Lifeng Qiao; Sheng Xu; Qiantai Feng; Siqi Sun; Yang Yang·· 14 天前AI 评分66

Auto-Research Agent 通过 MSA 重组织提升蛋白-蛋白复合物结构预测

Auto-Research Agent on MSA Organization to Improve Protein-Protein Complex Structure Prediction

AI 导读

研究团队提出 Auto-Research Agent,将冻结的 AlphaFold 3 视为黑盒,按靶点分析并重组 MSA,仅用预测器的无标签信号迭代优化序列选择与跨链配对。

预印本 · arxiv · 2611.03183

本站摘要基于收录版本 v1(2026-11-03),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

AlphaFold 3 对蛋白质复合物结构的预测取决于 MSA 的内容、深度和跨链配对。当前流程采用统一的策略,通常按物种最大化深度和配对,但跨链配对是否有助于 AF3 仍存在争议。我们证明深度和配对的价值都强烈依赖于目标,因此没有单一策略能在所有界面上达到最优。我们引入了一个自主智能体,将冻结的 AF3 视为黑箱实验仪器。对于每个目标,该智能体提出生物学假设,分析并重组 MSA,并仅利用预测器的无标签信号迭代优化序列选择与配对。在 AF3 训练截止日期之后发布的三个基准测试中的 1{,}015 个蛋白质-蛋白质界面上,该智能体在每个基准上都比 AF3 的默认流程和固定 MSA 策略提升了整体界面 DockQ,同时平均使用的 MSA 序列比默认流程少 60\%。在基于物种的配对不可靠的跨物种异源多聚体中,提升最为显著:在 FoldBench 上平均 DockQ 从 0.465 提升到 0.612,在 HD439 上从 0.482 提升到 0.562。这些改进同时源于序列构建和配对策略,包括有意的不配对。这些结果将 MSA 设计重新定义为一个目标特定的问题,并表明自主智能体可以在测试时通过生物学推理和自主的、置信度引导的实验来适应它。

来源:arXiv · arxiv.org