跳到正文
bioRxiv· Ross, M.; Miller, D.; Wells, J.·· 来源仅提供日期AI 评分57

研究评估单纯形投影梯度下降在基于幻觉的蛋白质结合剂设计中的表现

Projected Gradient Descent for Hallucination-Based Protein Binder Design

AI 导读

研究者在10个靶点上用基于 ESMFold2 的流程评估了单纯形投影梯度下降(PGD)用于基于幻觉的蛋白质结合剂设计。结果显示,PGD 比 softmax 参数化在更少迭代内最小化设计损失,并产生预测界面置信度更高的设计;在每靶点 1,024 个设计的 ipSAE 分布上尾筛选中,PGD 在 6 个靶点上显著改善且无靶点显著变差,并在所有靶点上产生更高的结构多样性。

预印本 · biorxiv · 10.64898/2026.10.22.760942

本站摘要基于收录版本 v1(2026-10-26),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

基于梯度的幻觉(hallucination)是蛋白质结合剂设计中的一种流行方法,它将定义在结构预测器输出上的损失进行反向传播,以引导序列空间连续松弛中的优化,然而针对该任务所用优化器的选择却鲜有系统性评估。在本工作中,我们评估了单纯形投影梯度下降(PGD)作为常用方法——即在 softmax 参数化序列 logits 上进行梯度下降——的一种替代方案。通过直接更新氨基酸概率,PGD 避免了 softmax 导致的梯度衰减,并使在优化早期被抑制的氨基酸能够重新进入设计。我们基于 ESMFold2 的流程在十个靶点上进行了评估,发现 PGD 用更少的迭代次数即可最小化设计损失,并且产生的设计在预测界面置信度上高于其 softmax 对应方法。通过考察每个靶点 1,024 个设计所构成集合中 ipSAE 分布的上尾部来模拟真实筛选活动中的选择过程,我们证明 PGD 在十个靶点中的六个上显著优于 softmax 方法,在任何靶点上均无显著退化,并且在每个靶点上都产生了结构更多样的设计。此外,我们发现将较短的 PGD 运行与候选筛选相结合,可使每 GPU 小时的计算机模拟命中总数相比默认长度的轨迹提升 29%。这些结果支持 PGD 作为基于幻觉的结合剂设计的一种简单而有效的替代方案。代码与设计数据均已公开。

来源:bioRxiv · biorxiv.org