# 蛋白质设计到底难在哪里？ 最难的问题之一就是：给你一个目标蛋白骨架，你得找到一条能稳定折叠成这个样子的氨基酸序列。 听起来像是个“已知答案”的反向问题？其实远没有那么简单。 ## 1. 为什么这篇论文值得关注？ 过去几年，蛋白质结构预测确实突飞猛进。但蛋白设计并不是结构预测的反问题——这一点很重要。 **结构预测**回答的是：给定一条天然或人工序列，它可能折叠成什么结构？ **蛋白设计**要回答的是：给定一个我们想要的结构、界面或功能构型，应该给出怎样的氨基酸序列？ 关键是，这个序列要真的折叠成目标结构，并在实验中表达、稳定、组装或结合目标。 这一步在AI蛋白设计中非常关键。因为很多生成模型可以产生骨架，但骨架本身不能表达、不能纯化、不能发挥功能。真正进入实验体系的是序列。 - 没有可靠的序列设计，骨架生成只是图纸。 - 有了可靠的序列设计，图纸才可能变成蛋白。 **ProteinMPNN的核心价值就在这里：它专注解决固定骨架序列设计问题。** 具体来说，就是给定蛋白主链坐标，快速生成与该骨架匹配的氨基酸序列。 论文数据显示：在天然蛋白骨架上，ProteinMPNN的序列恢复率达到了**52.4%**，明显高于Rosetta的32.9%。 更关键的是速度：在100个残基的设计任务上，ProteinMPNN单CPU只需大约**1.2秒**，而Rosetta需要约**258.8秒**。 这不只是速度快了几百倍的问题。它意味着蛋白设计的流程，可以从“少量手工调参、步步为营”转向“大规模候选序列生成、高通量筛选、快速实验验证”。整个范式都变了。 --- ## 2. 研究背景：蛋白序列设计为什么重要？ 蛋白质设计通常可以拆成两个相互依赖的问题： **第一步是结构设计**——设计一个合理的三维骨架。这个骨架可能是单体蛋白、对称寡聚体、纳米颗粒、蛋白结合剂，或者承载功能基序的scaffold。 **第二步是序列设计**——找到一条氨基酸序列，使它能够稳定折叠到这个目标骨架，同时尽可能满足溶解性、表达量、组装状态和功能需求。 传统Rosetta序列设计通常把问题看作能量优化：在固定主链上搜索不同氨基酸类型和侧链rotamer组合，寻找低能量构象。 这种思路有明确的物理基础，但也存在三个棘手的现实困难： - **第一，搜索空间巨大。** 每个位置有20种氨基酸，侧链还有多个rotamer，组合空间随残基数指数增长。 - **第二，能量函数并不完美。** 蛋白稳定性、溶解性、表达、界面组装与功能选择性，并不能被一个静态能量函数完全描述。 - **第三，实际设计往往需要大量人工经验。** 尤其是对称复合物、纳米颗粒和protein-protein interface，设计者通常要反复调节疏水性、界面packing、表面电荷和构象约束。 **ProteinMPNN的核心判断是：** 如果目标骨架已经给定，那么某个位置应该选择什么氨基酸，主要由其局部三维几何环境决定。 换句话说，蛋白序列设计可以被看作“结构到序列的条件概率建模”问题，而不必每次都显式枚举所有侧链构象。 --- ## 3. 这篇论文的核心思想 **ProteinMPNN的核心思想可以概括为一句话：把固定骨架蛋白设计看作一个几何条件下的自回归序列生成问题。** 输入不是序列，而是蛋白主链结构。 模型先把骨架转化为残基图：每个残基是一个节点，残基之间根据空间邻近关系建立边。边特征主要来自N、Cα、C、O和虚拟Cβ等主链相关原子之间的距离。 然后，消息传递神经网络在这个图上聚合局部几何信息，最后按照某种解码顺序逐步生成氨基酸序列。 **这套设计有几个值得注意的关键点：** - **第一，** 它不直接做侧链rotamer搜索，而是学习结构环境到氨基酸分布的映射。 - **第二，** 它使用随机解码顺序，而不是固定从N端到C端生成序列。因此可以自然支持固定残基、固定基序、局部重设计和binder设计。 - **第三，** 它允许把不同位置的氨基酸概率绑定在一起，从而支持同源多聚体、重复蛋白、对称设计和多状态设计。 - **第四，** 它通过在训练中加入主链噪声，提高对非理想骨架的鲁棒性。这一点很重要——因为真实设计骨架往往来自Rosetta、AlphaFold hallucination或扩散模型，并不具备天然晶体结构那样的高精度。 --- ## 5. 方法细节：ProteinMPNN到底是怎么做的？ ### 5.1 任务定义与输入输出 **ProteinMPNN解决的是fixed-backbone protein sequence design。** **输入：** 一个目标蛋白骨架结构，包括主链原子坐标。论文重点使用N、Cα、C、O以及基于主链几何放置的虚拟Cβ原子。 **输出：** 与目标骨架匹配的氨基酸序列。 - 对于多链复合物，输出可以包含每条链的序列。 - 对于对称设计，某些位置可以被约束为相同氨基酸。 - 对于binder或功能基序设计，部分位置可以固定不变。 **换句话说，ProteinMPNN本身不是骨架生成模型。** 它不负责创造蛋白主链，而是给已有骨架配上序列。 因此，它特别适合作为RFdiffusion、Rosetta backbone design、AlphaFold hallucination等结构生成方法之后的序列设计模块。 ### 5.2 数据表示：把蛋白骨架变成几何图 **ProteinMPNN的输入表示非常关键。** 论文从一个已有的MPNN模型出发，原始特征包括Cα-Cα距离、局部坐标框架方向和主链二面角。 作者发现，加入N、Cα、C、O、虚拟Cβ之间的距离后，序列恢复率从baseline的41.2%提升到了**49.0%**。 这说明对于结构到序列映射而言，原子间距离比单纯的二面角或框架方向提供了更直接的几何归纳偏置。 **可以这样理解：** 氨基酸选择不是只由一个残基自身的二级结构决定，而是由周围空间环境共同决定。 - 一个疏水核心位置可能偏好Leu、Ile、Val、Phe等。 - 一个暴露表面位置可能更偏好极性或带电残基。 - 一个界面位置则取决于另一条链上的几何互补和相互作用环境。 **ProteinMPNN用局部邻域图捕捉这种信息。** 作者测试了16、24、32、48、64个最近Cα邻居，发现性能在32到48个邻居附近趋于饱和。 这个结果很有启发性：**序列设计比结构预测更局部**——某个位置的氨基酸身份主要由附近结构环境决定，而不是必须依赖全局长程信息。 --- ### 5.3 模型结构：骨架编码器与序列解码器 **ProteinMPNN的整体结构包含两个核心部分：Backbone Encoder和Sequence Decoder。** **第一部分：Backbone Encoder** 输入蛋白骨架图后，编码器通过消息传递更新节点和边特征。节点对应残基，边对应残基之间的空间关系。 作者发现，在编码器中不仅更新节点，也更新边，可以进一步提升性能。将原子间距离特征和边更新结合后，PDB测试集序列恢复率达到**50.5%**。 **第二部分：Sequence Decoder** 解码器在编码后的结构特征基础上，逐步预测每个位置的氨基酸概率。它是自回归模型——也就是说，已经生成或固定的序列位置会作为上下文，影响后续位置的氨基酸选择。 **论文图1展示了这一流程：** 1. 主链坐标进入模型。 2. 先转化为N、Cα、C、O、虚拟Cβ的距离特征。 3. 再经过MPNN编码器生成节点与边表征。 4. 随后解码器结合部分序列上下文，按随机顺序迭代生成氨基酸概率并采样序列。 --- ### 5.4 为什么随机解码顺序很重要？ **如果模型只能从N端到C端生成序列，它在很多设计场景中会很不方便。** 例如，设计protein binder时，目标蛋白序列通常已经给定，或者某个功能基序必须固定。固定从左到右解码时，模型不能灵活利用这些已知区域作为上下文。 **ProteinMPNN改用order-agnostic autoregressive model：** - 训练时随机采样解码顺序。 - 推理时可以指定任意解码顺序。 这样，固定残基或固定基序可以先作为上下文提供给模型，然后模型只设计其余位置。 论文指出，这种随机解码不仅带来小幅序列恢复率提升，还让模型能够用于更广泛的单链和多链设计任务。 **这一步是ProteinMPNN从benchmark模型走向实用工具的关键。** 它让模型不只是会给完整单体骨架设计序列，也能处理真实蛋白工程中常见的约束设计问题。 --- ### 5.5 对称、多链和多状态设计如何实现？ **ProteinMPNN的另一个重要设计是tied positions。** 对于同源二聚体或三聚体，链A的第i个位置和链B的第i个位置往往需要使用相同氨基酸。 **ProteinMPNN的做法是：** 先分别预测这些等价位置的未归一化概率，再把这些概率合并，形成一个共同的氨基酸分布，然后从中采样同一个氨基酸。 **这种机制让它能自然处理：** - 同源多聚体设计 - 循环对称蛋白设计 - 重复蛋白设计 - 纳米颗粒中跨链等价位点设计 - 多状态设计中的正设计与负设计 **多状态设计尤其值得注意。** 论文提到，可以对不同backbone state的未归一化概率进行线性组合，用正系数强化希望稳定的状态，用负系数削弱不希望出现的状态。 虽然这一点在论文中不是最主要的实验重点，但它提示ProteinMPNN不只是单状态序列生成器，也可以作为更复杂设计约束的概率模块。 --- ### 5.6 训练目标与噪声训练 **ProteinMPNN的训练目标本质上是预测给定结构条件下的氨基酸类别，因此使用类别交叉熵，对应论文中报告的perplexity和sequence recovery。** **训练数据方面：** - 作者最初使用19,700个PDB高分辨率单链结构，并按CATH分类进行80/10/10的训练、验证和测试划分。 - 最终模型则在PDB蛋白组装体上训练，纳入截至2021年8月2日、由X-ray或cryo-EM解析、分辨率优于3.5 且残基数少于10,000的结构。 **噪声训练是论文中非常有价值的一点。** 作者发现，在主链坐标中加入小的高斯噪声，会降低在精确PDB backbone上的序列恢复率，却能提高模型在AlphaFold预测骨架上的表现。 **原因可能是：** 晶体结构中包含一些与天然氨基酸身份相关的精细几何痕迹，模型如果过度拟合这些痕迹，反而不利于真实设计场景。加入噪声后，模型更关注整体拓扑和极性/疏水模式，而不是局部坐标细节。 **这对实际设计很重要**——因为de novo backbone不一定是原子级精准结构，模型必须对小几何误差具有鲁棒性。 --- ### 5.7 推理、采样与实际使用流程 **ProteinMPNN推理时，用户输入一个目标backbone，可以选择固定部分残基、绑定对称位置、设定采样温度，然后生成多个候选序列。** **采样温度控制多样性。** 论文显示，提高温度可以显著增加序列多样性，同时只带来较小的平均序列恢复率下降。模型还可以用平均log probability作为序列质量指标，用于快速排序和筛选候选序列。 **一个实际使用流程大致如下：** 1. 使用Rosetta、RFdiffusion、AlphaFold hallucination或其他方法生成目标骨架。 2. 将骨架坐标输入ProteinMPNN。 3. 指定固定基序、固定目标链或对称绑定位置。 4. 采样生成多条候选序列。 5. 用AlphaFold或RoseTTAFold检查单序列是否能回折到目标结构。 6. 进一步根据表达、溶解性、界面、功能位点和实验成本筛选。 7. 合成基因并进行表达、纯化、结构或功能验证。 **这也是为什么ProteinMPNN后来会成为AI蛋白设计工作流中的基础模块：** 它速度快、约束灵活、能批量生成候选序列，而且容易与结构预测模型和实验筛选闭环结合。 --- ## 6. 实验设计与关键结果 ### 6.1 In silico评估：不只是高一点的序列恢复率 **论文首先比较ProteinMPNN与Rosetta fixed-backbone sequence design。** 结果显示，在402个单体backbone测试中，ProteinMPNN的native sequence recovery为**52.4%**，Rosetta为32.9%。同时ProteinMPNN在不同埋藏程度的残基上都优于Rosetta。 这里的sequence recovery衡量的是模型在给定天然骨架时恢复天然氨基酸的比例。它不是蛋白设计成功率，但可以反映模型是否学到了结构环境与氨基酸偏好之间的统计关系。 **作者进一步在更广泛的数据集上测试：** - 690个单体：median sequence recovery为**52%** - 732个同源多聚体：median sequence recovery为**55%** - 98个异源多聚体：median sequence recovery为**51%** - 界面残基的恢复率：同源复合物为**53%**，异源复合物为**51%** 这说明ProteinMPNN不局限于单链蛋白，也能处理界面环境。 **一个有意思的细节：** - 深层核心位置的恢复率可达**90–95%** - 表面位置约**35%** 这完全符合蛋白生物物理直觉——核心区域几何约束更强，氨基酸选择更确定；表面区域可接受更多序列变化，因此天然序列不一定是唯一合理答案。 --- ### 6.2 AlphaFold评估：设计序列是否更能编码目标结构？ **论文进一步用AlphaFold检查ProteinMPNN生成序列是否能更强地编码目标结构。** 一个有代表性的数据是：对于Rosetta生成的含小分子结合口袋的de novo scaffold，原始设计序列中只有**2.7%**被AlphaFold预测能折叠到目标结构。 经过ProteinMPNN重新设计后，这一比例提升到**54.1%**。 这说明ProteinMPNN不只是复现天然序列，也能提高人工设计骨架的sequence-to-structure一致性。对酶设计、小分子结合蛋白设计和功能scaffold设计而言，这一点非常关键。 --- ### 6.3 实验验证：这篇论文最有分量的部分 **ProteinMPNN论文最值得重视的地方，是它真的把东西做出来了——不只是跑通一个模型、刷几个benchmark，而是做了系统的湿实验验证。** #### AlphaFold hallucination设计的救援 作者首先测试AlphaFold hallucination生成的单体和同源寡聚体。 原始hallucinated sequences多数不溶，median soluble yield只有**9 mg/L** culture equivalent。 ProteinMPNN重新设计同一批backbone后，在96个尝试表达的设计中： - 73个可溶表达 - 50个通过SEC显示目标单体或寡聚状态 - median soluble yield提升到**247 mg/L** culture equivalent 其中一个单体设计的晶体结构与设计模型非常接近，130个残基上的RMSD为**2.35 **，并且圆二色谱显示在**95°C**下仍保持二级结构特征。 #### 重复蛋白、循环对称蛋白与纳米颗粒 作者利用tied positions设计重复蛋白和对称寡聚体。 对于C5/C6循环寡聚体： - Rosetta设计组：10个中只有4个可溶，且没有一个通过SEC-MALS确认为正确寡聚状态。 - ProteinMPNN设计组：18个中有16个可溶，5个具有正确寡聚状态。 在四面体蛋白纳米颗粒设计中，ProteinMPNN对27个backbone设计了76条序列，不需要额外人工干预。其中13个形成约1 MDa的预期组装体，并且一个晶体结构与设计模型非常接近，两个亚基上的Cα RMSD为**1.2 **。 #### 蛋白功能设计：SH3 binder 最后，作者测试了一个更难的问题：设计能展示polyproline II helix motif并结合Grb2 SH3 domain的蛋白。 作者固定核心SH3-binding motif **PPPRPPK**，用ProteinMPNN重新设计scaffold序列。 BLI实验显示，设计蛋白对Grb2 SH3具有强结合信号，且破坏关键相互作用的点突变会消除结合。 这一结果说明ProteinMPNN可以在固定功能基序的前提下设计周围scaffold，使功能基序被正确呈现并产生目标结合。 --- ## 7. 这篇文章的真正启发 ### 启发一：蛋白设计中的关键瓶颈不只是生成骨架，而是让序列编码骨架 很多AI蛋白设计讨论容易聚焦backbone generation，但真正决定实验可行性的，是序列能否稳定编码该骨架。ProteinMPNN让结构生成和序列设计之间有了一个高效接口。 ### 启发二：局部几何足以支撑高质量序列设计 ProteinMPNN的近邻图结果提示，对固定骨架序列设计而言，局部环境具有强决定性。这与结构预测需要长程共进化信息不同，也解释了为什么较小的MPNN模型就能表现很好。 ### 启发三：约束生成比无约束生成更接近真实蛋白工程 随机解码、固定残基、绑定等价位置、多链处理——这些功能看起来不像花哨的模型创新，但正是它们让ProteinMPNN能处理真实设计任务。真实蛋白工程往往不是从零生成，而是在约束下寻找可行序列。 ### 启发四：实验验证决定蛋白设计方法的可信度 ProteinMPNN的影响力不只来自sequence recovery，而来自X-ray、cryo-EM、SEC、SEC-MALS、CD和BLI等实验验证。对蛋白设计来说，计算指标只能筛选候选，不能替代最终实验。 --- ## 8. 局限性与值得警惕的问题 **ProteinMPNN很强，但不能把它理解为蛋白设计的完整解决方案。** - **第一，** 它依赖输入骨架质量。如果backbone本身不可折叠、几何不合理、功能位点摆放错误，ProteinMPNN很难从序列层面彻底拯救。 - **第二，** 它主要解决固定骨架序列设计，不直接优化蛋白动力学、构象变化、表达宿主依赖性、免疫原性或长期稳定性。 - **第三，** sequence recovery不是设计成功率。天然序列恢复率高，说明模型学到了天然蛋白统计规律，但de novo design的目标通常不是恢复天然序列，而是产生能表达、折叠和发挥功能的新序列。 - **第四，** AlphaFold过滤会带来方法学偏倚。用AlphaFold判断设计序列是否回折到目标结构非常实用，但也可能让设计流程偏向AlphaFold容易预测的序列模式，而不是所有真实可折叠序列。 - **第五，** 功能设计仍然需要额外建模。ProteinMPNN可以保留功能基序、设计scaffold，但并不等同于直接优化催化活性、结合自由能、选择性或细胞环境中的功能表现。 因此，**ProteinMPNN更准确的定位是：一个高效、通用、实验表现很强的结构条件序列设计器，而不是单独完成蛋白功能设计的全流程系统。** --- ## 9. 对AI制药和蛋白设计未来的意义 从AI制药角度看，ProteinMPNN的意义不只在蛋白质工程，也在于它为结构生成模型提供了一个可落地的序列化接口。 **在当前AI蛋白设计流程中，一个典型组合是：** RFdiffusion或其他模型生成目标骨架 → ProteinMPNN设计序列 → AlphaFold/RoseTTAFold回折验证 → Rosetta或物理方法精修 → 实验表达与功能测试。 **这套流程背后的逻辑是分工：** - 生成模型负责探索结构空间。 - ProteinMPNN负责把结构转译为序列。 - 结构预测模型负责快速筛选。 - 实验负责最终判定。 **对药物发现而言，这种能力可以用于多个方向：** - 设计蛋白binder，用于阻断蛋白-蛋白相互作用。 - 设计抗原展示纳米颗粒，用于疫苗研发。 - 设计酶或催化scaffold，用于新反应开发。 - 设计小分子结合蛋白或传感器。 - 设计多价组装体，提高结合avidity或免疫呈递效果。 - 与闭环实验平台结合，实现设计-表达-测定-再设计循环。 如果说AlphaFold让我们更好地读取蛋白序列中的结构信息，那么ProteinMPNN则在很大程度上让我们能够反向书写结构所需的序列信息。