DynamicsPLM:用分子动力学增强 35M 参数蛋白质语言模型预测变异效应
研究提出 DynamicsPLM,一个 35M 参数的小型蛋白质语言模型,通过第二阶段多任务持续预训练融合序列进化与分子动力学信息,用于仅凭序列零样本预测突变效应。模型在超过 60,000 个蛋白质上训练,在 ProteinGym 和 Tsuboyama 折叠稳定性数据集上取得 100M 参数以下模型中的领先准确率,并可匹配或超过若干十亿级序列模型。代码与训练配置已在 GitHub 公开。
技术方向
给定结构设计序列(逆折叠)与蛋白语言模型的训练和应用。
共 53 条动态近 30 天 42 条
研究提出 DynamicsPLM,一个 35M 参数的小型蛋白质语言模型,通过第二阶段多任务持续预训练融合序列进化与分子动力学信息,用于仅凭序列零样本预测突变效应。模型在超过 60,000 个蛋白质上训练,在 ProteinGym 和 Tsuboyama 折叠稳定性数据集上取得 100M 参数以下模型中的领先准确率,并可匹配或超过若干十亿级序列模型。代码与训练配置已在 GitHub 公开。
研究团队提出多模态表示学习模型SEMPER,将蛋白质语言模型表示与成人脑442种细胞类型的蛋白质互作网络对齐。SEMPER可预测细胞类型特异的蛋白质复合物,并在全基因组CRISPR筛选中预测多巴胺能神经元存活所需基因。
研究构建 MutAtlas,在实验解析的蛋白质结构上穷举单点替换,并对齐物理能量模型、蛋白质语言模型与逆折叠模型的突变信号,形成覆盖 PDB 的突变增强数据集。
研究团队提出 miProbe 平台,汇集来自不同生境的 1.08×10^9 条微生物肽,并提供 8 TB 预计算蛋白语言模型嵌入。平台嵌入示例包括 ESM2-650M 和 ProtT5-XL-U50,提供 API 便于模型集成,入口为 https://www.biosino.org/iMAC/miProbe。
推荐理由:平台汇集1.08×10^9条微生物肽并提供8 TB预计算蛋白语言模型嵌入,为功能肽挖掘提供了可复用的大规模数据入口。
来源更新 2026-11-13
研究团队将稀疏自编码器引入ProteinMPNN,扩展其潜在空间,并发现稀疏维度激活与二级结构、残基体积、残基形状、二硫键及配体配位等蛋白特征相关。他们还通过操纵稀疏激活,生成比基于高温分子动力学模拟的传统机器学习方法更热稳定的Brolucizumab短链可变片段变体。该工作同时提供对蛋白设计模型的机制理解和对序列预测的可定制操纵。
一项 bioRxiv 预印本研究审计了已发表的重复引导、ESMFold 置信度与激活读数,结论是能预测置信度门槛并不能说明设计可折叠。引导在操作点保持了置信度,但拟合出的悬崖出现在 alpha_50 = 1.240x,扫描自身对照为 64.0%;未引导的生成器激活可预测置信度门槛,ROC-AUC 为 0.786 ± 0.004。
来源更新 2026-11-14
Biophysical Transformer 把连续生物物理场作为序列与结构之外的第三种预训练信号,模型仅凭序列预测每个三残基 token 周围的静电势。在 FLIP Meltome 热稳定性基准的两组人类划分上,该场目标在双方所有已训练头上提升 Spearman 相关性,去除与预训练语料重叠的测试蛋白后仍成立。模型规模为 1.1M 参数;混合物种划分无此增益,且结果仅基于每臂一次预训练运行。
作者提出 DecoyOpt 两阶段流程,先用 ESM3 生成功能位点诱饵,并由 MLP 区分酶、未注释蛋白与诱饵,再由对比学习模型预测 EC 号。该流程在三种拆分上评估了 16 个蛋白质语言模型,在最严格的 GraphPart 40% 拆分上取得 MCC 0.899 和 D0 诱饵 FPR 6.17%,优于重训基线。它还能正确注释全部 4 个野生型酶,并拒绝全部 8 个失活或近失活变体。
研究团队提出蛋白质逆折叠模型 HyInv,这是一个 1.96M 参数的骨干条件图网络,采用编码器-解码器架构,由团队自研的 Hyra 2.0 研究智能体先做随机顺序自回归预训练,再做结构奖励强化学习。
研究团队提出 650M 参数的蛋白质掩码语言模型 HyPLM-Flash,由自研研究智能体 Hyra 2.0 训练,使用 7260 亿 token,约为 ESM-2 650M 数据的 0.73 倍,模型权重与推理引擎已在 GitHub 发布。
研究者从多样蛋白质复合物中鉴定到1205个氢键型和6518个非氢键型六残基Ω环。甘氨酸和脯氨酸富集,脯氨酸偏好第四位;ProteinMPNN与Rate4Site分析显示,专性同/异二聚体界面环比非界面环更保守,瞬时和晶体二聚体趋势相反。TEM1 β-内酰胺酶Ω环案例显示,微小序列变化可改变酶活性和耐药性。
来源更新 2026-11-10
pLM-bVAE 把预训练蛋白质语言模型(pLM)得到的表示引入原 bVAE 模型,为量子退火(QA)蛋白质序列设计提供二元编码。在三个公开蛋白质变体数据集上,其序列重建准确率与二元编码性能均优于 bVAE,并生成更多高分且与训练、验证数据差异更大的序列。源码已在 GitHub 公开。
研究将 Generative Latent Priors(GLP)移植到 ESM-2 激活,并在 8M 与 650M 两个宿主规模上评估其解释与编辑效果。
来源更新 2026-11-10
作者开发了 BacLLM,一个将注释来源的功能知识注入蛋白质语言模型表征、用于 WHO 优先病原菌抗微生物耐药性分析的框架。它通过序列增强、UniProt 注释语义丰富和跨模态对比学习,把 LLM 编码的注释先验迁移到序列编码器。摘要报告,BacLLM 在耐药基因识别和机制预测上相比基线提供更有信息量的表征,能在单残基分辨率捕获耐药相关突变信号,并改善噬菌体疗法的菌株级宿主匹配。
研究团队发布开源基准平台 Protify,支持 35 个预训练模型和 61 个精选数据集,覆盖零样本、监督与迁移学习。在 ProteinGym 上评测 23 个模型后,DPLM3B 为当前最佳自监督编码器;跨 32 项监督任务没有单一模型全面领先,14 个模型至少在一项数据集上得分最高,前两名差距落在运行间波动内。
剑桥大学和DIOSynVax团队在《Cell Reports Medicine》报告,其AI设计的多抗原mRNA禽流感疫苗DVX-panH5Nx在临床前动物试验中提供完全保护。面对多种H5N1变异株,现有储备疫苗仅保护约50%的动物,新疫苗则实现完全保护。团队用AI整合全球病毒基因序列设计广谱抗原,并表示下一步是推进人体临床试验。
推荐理由:研究对比了AI设计的多抗原mRNA疫苗与现有储备疫苗在动物试验中的保护表现,读者可了解广谱疫苗的设计思路。
研究提出一种由蛋白质语言模型引导的极简凝聚层囊泡设计,仅由寡聚生物分子组成,无需化学修饰或外部燃料。精氨酸富集寡肽与竞争性阴离子寡聚物可自组装成寡聚凝聚层囊泡(OCVs),实验与分子动力学模拟显示组装受静电与疏水平衡调控,并可在多类寡聚物组合中形成囊泡。该策略还可对 OCVs 进行功能化,使其选择性识别并包裹 DNA G-四链体结构。
推荐理由:研究把蛋白质语言模型用于极简凝聚层囊泡的序列设计,并结合实验与模拟给出可编程囊泡的组装和功能化规则。
研究团队开发了一种结合肽条码、尺寸排阻色谱和质谱的混合检测方法,在统一的大肠杆菌生产条件下量化了超过 39,000 个蛋白变体的单体产量。基于该数据集,团队评估了折叠稳定性与产量的关系、逆折叠方法和结构预测置信度指标,并开发了仅凭氨基酸序列预测产量的蛋白语言模型 ESMC-MonoYield。研究还针对 BindCraft 设计的结合蛋白展示了高产候选的富集。
推荐理由:超过 39,000 个蛋白变体的标准化产量数据,为评估逆折叠方法和筛选设计候选提供了统一参照。
研究团队提出 XAMPGen 管线,微调蛋白质语言模型 ProGen 生成新型抗菌肽,并用可解释 SI 分析模型决策。候选序列按预测 MIC 和结构活性人工判断筛选后进入实验,所有生成并测试的肽段在 MIC 生物实验中均显示抗菌活性。荧光和圆二色光谱测量提供了结构信息,分析还显示序列模式与抗菌膜模拟物结合特性的关联。
团队将LoRA接入ESM-2(150M),仅微调0.70%权重,在QMAP严格同源约束下构建抗菌效力与溶血毒性双任务框架。60%序列一致性阈值下,E. coli效力秩相关ρ=0.6132、溶血毒性相关ρ=0.5374;联合网络从749条de-novo肽中筛出TI最高144.03的候选。