跳到正文
arXiv· Jun W. Kim; Artiom Myaskovsky; Oscar Donosa; Lawrence Chan; Jamie Rogers; Avinatan Hassidim; Yossi Matias; Annalisa Pawlosky·· 24 天前AI 评分69

智能体引导表位切除实现更经济的 de novo 结合体设计

Agent-guided epitope excision enables economical de novo binder design

AI 导读

作者提出并评估一种表位切除方法,将靶点截短到局部界面窗口,以同时加速骨架扩散和结构预测。在 15 个靶点和 3,666 个设计上,截短窗口与完整靶点界面的中位 CαRMSD 为 0.37 Å,并在 FAP 的 719 残基胞外域上将 RFdiffusion 和 AlphaFold3 的 GPU 时间在一个表位中减少约 88%。

预印本 · arxiv · 2610.33195

本站摘要基于收录版本 v1(2026-10-29),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

从头蛋白质设计流程的瓶颈在于推理阶段生成并排序候选物所需的算力时间,这限制了更广泛的功能探索。在此,我们提出并评估了一种表位切除方法,即将靶标截短为局部界面窗口,从而同时加速主干扩散和结构预测。在15个靶标和3,666个设计中,切除的窗口高度复现了完整靶标的结合界面(CαRMSD中位数为0.37 Å),并使得针对成纤维细胞激活蛋白α(FAP)719个氨基酸的胞外域设计结合剂成为可能——在其中一个表位上,RFdiffusion和AlphaFold3的GPU时间减少了约88%。将这一流程与智能体优化循环相结合,使系统能够自主识别催化位点靶向策略。在固定算力预算下,人在环(HITL)流程将计算命中率从5.06%提升至9.33%,同时进一步削减了约42%的GPU时长。我们还发现,在重折叠过程中省略靶标的多序列比对(MSA)可大幅提高表观产率。通过酵母展示进行的湿实验验证从生成的设计中筛选出了纳摩尔级结合剂,其中采用HITL和完全自主智能体(human-out-of-the-loop,HOOTL)分支所获得的富集设计数量均多于仅由首席研究员(PI)主导的基线。总体而言,靶标切除与智能体引导搜索为将从头结合剂设计扩展到具有治疗意义的大规模蛋白质提供了一条切实可行的路径。

来源:arXiv · arxiv.org