大数跨境

ICML|青岛大学李臻团队:让AI在设计多肽时考虑结合界面的柔性

ICML|青岛大学李臻团队:让AI在设计多肽时考虑结合界面的柔性 AI4Peptide
2026-11-16
0
导读:给定蛋白质受体的结合位点,如何生成既能适应界面形状、又具有合理原子几何的多肽?

摘要

给定蛋白质受体的结合位点,如何生成既能适应界面形状、又具有合理原子几何的多肽?青岛大学李臻团队与德睿智药等提出 PepFGLD,将多肽柔性写入几何编码,让序列与结构在潜空间中双向交互,并在扩散去噪过程中逐步增强几何约束。

在 PepBench 的序列–结构联合设计任务中,PepFGLD 的计算筛选通过率为 59.35%,高于该任务最好的对照 PepMimic(52.28%)。给定序列后,模型在 PepBench 上也取得了对照中最低的全原子 RMSD,在 PepBDB 上的整体对接姿态表现则较为有限。论文通过计算基准、消融实验和静态能量评分评价生成质量,候选多肽的结合亲和力仍需实验测定。

论文信息

原文标题:Flexibility-Aware Geometric Latent Diffusion for Full-Atom Peptide Design

会议论文集:Proceedings of the 43rd International Conference on Machine Learning

第一作者:牛东江

通讯作者:李臻(青岛大学计算机科学技术学院)

参与机构:青岛大学;德睿智药(MindRank);中国海洋大学

01  多肽柔性给全原子设计带来什么难题

许多蛋白质相互作用界面既浅又不规则。多肽可以沿着沟槽延展,也可以弯折以适应局部表面。这样的适应性有利于分子识别,却让设计变得更难。同一条序列可以采取多种构象。更换一个残基,也可能同时改变侧链堆积、局部主链走向,以及其他残基在界面上的位置。

论文将这个问题落到生成过程的三个环节。几何编码要区分外形相近、柔性不同的局部环境。潜空间要表达序列与三维结构的相互影响。去噪采样还要在探索多种构象的同时,避免碰撞与不合理的局部几何。PepFGLD 以已知受体结合位点为条件,将这三个环节接在同一个生成框架里。

图 1|多肽柔性及其对几何编码、序列–结构融合和扩散采样提出的挑战。

图 1|多肽柔性及其对几何编码、序列–结构融合和扩散采样提出的挑战。

02  让序列、侧链和骨架在生成过程中相互约束

几何编码。 FlexEGNN 用多通道残基图表示骨架和侧链的原子位置,并结合原子间相对几何与沿序列的残基间隔来调整信息权重。即使两对残基在三维空间中的距离相似,模型也能根据它们在链上的相对位置赋予不同权重。坐标更新建立在相对位移上,因此整体旋转或平移复合物时,坐标预测也会相应变换。

序列–结构交互。 Flex-VAE 将多肽压缩成潜空间中的点云。双向交互模块 SSBIM 通过两路注意力,让几何信息影响序列表示,同时让残基类型影响结构表示。随后,非线性映射将这些特征转为序列–结构潜变量和几何潜坐标,供扩散模型去噪。解码器从去噪后的表示恢复残基类型及骨架、侧链的原子坐标。

采样引导。 在逆扩散过程中,TDEG 根据相邻残基间距、非键合碰撞和局部角度等条件修正潜坐标。按论文描述,采样早期噪声较大,几何引导较弱,以保留探索空间。随着去噪推进,引导逐渐增强,让候选构象更容易满足局部几何条件。这里使用的是可微的几何约束,后续的 Rosetta 界面打分用于评估生成结果。

图 2|PepFGLD 的模型框架。a,预训练、微调与扩散的整体流程。b,Flex-VAE 的序列和全原子结构表示。c,随去噪阶段变化的几何能量引导。

03  联合设计的通过率提高,构象预测的优势随数据集变化

第一项任务同时生成氨基酸序列和结合构象。研究比较了按受体序列聚类隔离测试靶标的 PepBench,以及用于补充评估的 PepBDB。每个测试样本生成 40 个候选,使用 Rosetta 计算的界面能量评分 ΔG,以及同时满足几何、能量约束的设计比例来衡量结果。

在 PepBench 上,PepFGLD 的通过率为 59.35%,比该指标最好的对照 PepMimic 高 7.07 个百分点。其 Rosetta ΔG 为 −19.86,低于 PepGLAD 的 −13.46 和 PepMimic 的 −11.21。到了 PepBDB,PepFGLD 的通过率仍最高(49.67%),但其 ΔG 为 −18.74,排在 PepGLAD(−19.57)和 PepMimic(−19.27)之后。

第二项任务给定多肽序列,由模型预测它在已知受体位点上的结合构象。在 PepBench 上,PepFGLD 的 Cα RMSD 为 4.14 Å,全原子 RMSD 为 5.41 Å,DockQ 为 0.607,三项指标在对照中均最佳。在 PepBDB 上,PepFGLD 的全原子 RMSD 仍最低(9.45 Å),但 Cα RMSD 和 DockQ 分别为 8.86 Å 和 0.345,均有其他方法表现更好。全原子误差和界面相似度在这组测试中给出了不同的排序。

04  高柔性多肽的差距有多大

作者用预测二级结构中 coil 残基的比例作为柔性的近似指标,把测试样本分成高柔性和低柔性两组。三种对比方法在高柔性组的 Rosetta ΔG 都较差。PepFGLD 在这组的通过率为 53.00%,PepGLAD 和 PepMimic 分别为 43.18% 和 46.59%。PepFGLD 在高柔性组的 ΔG 为 −14.54,两个对照分别为 −7.11 和 −3.90,分差大于低柔性组。这里的分组依据是二级结构预测,表征的是统计上的柔性差异。

按肽长和二级结构分层后,作者还观察到,PepFGLD 在中长肽以及含延伸链或环区的样本上保持了较低的能量评分。对螺旋肽,几种方法间的差距相对有限。增加每个样本生成的候选数量时,PepFGLD 也较早进入低分区间。

图 3|PepBench 上的 Rosetta ΔG 比较。a,按肽长分组。b,按二级结构类型分组。c,随每个样本的候选数变化的评分趋势。

图 3|PepBench 上的 Rosetta ΔG 比较。a,按肽长分组。b,按二级结构类型分组。c,随每个样本的候选数变化的评分趋势。

05  结构案例与消融实验分别说明了什么

作者选取了几何条件不同的受体界面作结构对照。在沟槽较窄的 6FQ4 和界面更开放的 6QG8 中,图 4A 展示了 PepFGLD 生成的低分候选。对浅而长的 4KA7 结合沟槽,图 4B 中 PepFGLD 候选的肽链走向更接近参考,单例的全原子 RMSD 为 1.997 Å,DockQ 为 0.937。这组单例结果展示了局部骨架连续性与界面贴合的具体差异。

图 4|不同受体界面的代表性结构。A,6FQ4 与 6QG8 的多肽设计。B,4KA7 参考结构及三种方法的构象重建结果。

能量引导的消融比较给出了另一个维度。不加引导、恒定引导、随阶段变化的引导,对应通过率依次为 53.52%、55.51%、59.35%。完整模型的 Rosetta ΔG 更低,但多样性指标也低于这两种消融版本。作者将这一变化归因于去噪后期更强的几何约束,它让候选集中到更容易满足约束的构象区域。

图 5|PepFGLD 的模块消融。柱状图表示计算筛选通过率,小提琴图表示通过候选的 Rosetta ΔG 分布。

06  讨论与展望

在 PepBench 上,作者还对照了每个样本中评分最低的候选与参考结构。PepFGLD 的 Rosetta ΔG 与参考结构评分之间的 Spearman 秩相关为 0.5981,PepGLAD 和 PepMimic 分别为 0.5365 和 0.4500。这项比较考察的是不同受体样本之间的能量评分排序。

为了检查结果是否依赖 Rosetta 打分,作者用 Prime MM-GBSA 对已经生成的复合物做静态重评分。以通过筛选的样本中的最佳候选计,PepFGLD 和 PepGLAD 的平均评分分别为 −102.48 和 −99.73 kcal/mol,方向与 PepBench 上的 Rosetta 对比一致。两套计算评分都偏向 PepFGLD,候选在溶液中的稳定性和真实结合亲和力仍待验证。

柔性建模也增加了采样开销。在同一块 NVIDIA A100-40G 上,每个样本生成 40 个候选时,PepFGLD 平均耗时 26.73 秒,PepGLAD 为 19.91 秒。

作者指出,PepFGLD 的柔性建模主要针对多肽一侧。受体以给定结构提供结合位点,模型尚未显式处理受体侧的构象动力学。对于结合时会发生明显重排的受体,如何将双方的构象变化纳入同一次生成过程,是论文提出的后续方向。

参考文献

[1] Niu D, Wang X, Wei Z, Li Z. Flexibility-Aware Geometric Latent Diffusion for Full-Atom Peptide Design. Proceedings of the 43rd International Conference on Machine Learning. PMLR 306, 93625–93649, 2026.

【声明】内容源于网络
0
0
AI4Peptide
专注探索人工智能在多肽药物设计与研发中的应用,定期发布相关的前沿研究、技术解析和行业动态,迎接未来智能药物研发的新时代。
内容 87
粉丝 0
AI4Peptide 专注探索人工智能在多肽药物设计与研发中的应用,定期发布相关的前沿研究、技术解析和行业动态,迎接未来智能药物研发的新时代。
总阅读4.8k
粉丝0
内容87