🤖 machine learning

Proteo-R1: Reasoning Foundation Models for De Novo Protein Design

Proteo-R1 is een dual-expert framework dat *de novo* eiwitontwerp verbetert door moleculaire redenering expliciet te ontkoppelen van geometrische generatie, waarbij een multimodaal taalmodel wordt gebruikt om kritische functionele residuen te identificeren als harde constraints voor een op diffusie gebaseerde generator om stabiele, interpreteerbare en controleerbare ontwerpproducten te garanderen.

Oorspronkelijke auteurs: Fang Wu, Weihao Xuan, Heli Qi, Hanqun Cao, Heng-Jui Chang, Zeqi Zhou, Haokai Zhao, Ma Jian, Carl Ma, Yu-Chi Cheng, Kuan Pang, Xiangru Tang, Zehong Wang, Guanlue Li, Hanchen Wang, Kejun Ying, Pan Lu, C

Gepubliceerd 2026-05-06

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Fang Wu, Weihao Xuan, Heli Qi, Hanqun Cao, Heng-Jui Chang, Zeqi Zhou, Haokai Zhao, Ma Jian, Carl Ma, Yu-Chi Cheng, Kuan Pang, Xiangru Tang, Zehong Wang, Guanlue Li, Hanchen Wang, Kejun Ying, Pan Lu, Chiho Im, Seungju Han, Peng Xia, Tinson Xu, Yinxi Li, Deyao Zhu, Pheng-Ann Heng, Naoto Yokoya, Masashi Sugiyama, Li Erran Li, Jure Leskovec, Yejin Choi

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een meester-architect bent die probeert een nieuwe, op maat gemaakte sleutel te ontwerpen die perfect past in een specifieke, complexe slot (een proteïne-doelwit).

De Oude Manier: De "Gok-en-Controle" Architect
Voorheen werkten AI-modellen die probeerden deze sleutels te ontwerpen als een wanhopige kunstenaar die verf op een canvas gooit. Ze genereerden het volledige formaat van de sleutel in één keer, in de hoop dat de atomen op de juiste plekken zouden landen. Hoewel ze beter werden in het laten lijken alsof de sleutel echt was, dachten ze niet echt na over waarom bepaalde delen van de sleutel een specifieke vorm moesten hebben. Ze sampleden gewoon willekeurige mogelijkheden totdat er iets acceptabels uitkwam. Dit maakte het moeilijk om te begrijpen waarom de AI een specifieke ontwerpkies maakte, en als de sleutel niet werkte, was het moeilijk om slechts één deel te repareren zonder het hele ding te bederven.

De Nieuwe Manier: Proteo-R1 (De "Strateeg" en de "Bouwer")
Het artikel introduceert Proteo-R1, dat het spel verandert door de taak op te splitsen in twee distincte rollen, net als een bouwproject met een Strateeg en een Bouwer.

De Strateeg (De Redeneringsexpert):
- Wie ze zijn: Een super slimme AI die de "blauwdruk" (de proteïne-sequentie en structuur) en de "notities van de klant" (wat de sleutel moet doen) leest.
- Wat ze doen: Voordat ze ook maar één lijn trekt, stopt deze AI om na te denken. Ze identificeert de meest kritieke plekken op het slot – de "hotspots" waar de sleutel moet raken om te werken. Ze besluit: "Oké, op dit specifieke punt hebben we hier een geladen anker nodig, en daar een hydrofobe plek."
- De Analogie: Denk hierbij aan de architect die zegt: "We hebben hier een stalen balk nodig om het dak te dragen, en daar een raam voor licht." Ze neemt eerst de harde, logische beslissingen.
De Bouwer (De Generatie-expert):
- Wie ze zijn: Een hoogopgeleide 3D-printer (een diffusiemodel) die fantastisch is in het creëren van gladde, realistische vormen.
- Wat ze doet: De Strateeg geeft de Bouwer een set strikte regels mee: "Bouw de rest van de sleutel, maar je moet deze stalen balk hier houden en dat raam daar." De Bouwer vult vervolgens de rest van het ontwerp in, zorgend dat de atomen perfect bij elkaar passen terwijl ze de niet-onderhandelbare regels van de Strateeg respecteert.
- De Analogie: De Bouwer is als een meester-metselaar die precies weet hoe ze bakstenen moeten leggen om een prachtige muur te maken, maar ze krijgen precies te horen waar de deur en ramen moeten komen. Ze gokken niet; ze voeren het plan gewoon perfect uit binnen die beperkingen.

Waarom Dit Een Grote Zaken Is

Geen "Black Box" Meer: Op de oude manier kon je niet vertellen waarom de AI een bepaalde vorm koos. Met Proteo-R1 kun je de notities van de Strateeg zien: "Ik heb hier dit aminozuur geplaatst omdat het een zoutbrug vormt." Het is transparant en verklaarbaar.
B betere Controle: Als je het ontwerp wilt veranderen, hoef je niet het hele ding weg te gooien. Je vertelt de Strateeg gewoon om één beslissing te veranderen (bijvoorbeeld: "Verplaats het raam"), en de Bouwer past de rest aan.
Realisme: Omdat de Bouwer een topgeometrisch model is, zien de uiteindelijke sleutels er fysiek echt uit en botsen atomen niet tegen elkaar (wat gebeurt als je gewoon gokt).

Hoe Ze Het Trainden
Het artikel beschrijft een drie-staps trainingskamp voor dit team:

Alignement: De Strateeg leren dezelfde taal te spreken als de Bouwer, zodat ze proteïne-structuren en -sequenties correct begrijpen.
Redeneringsdrills: De Strateeg duizenden puzzels geven om op te lossen, zoals "Vind de zoutbruggen" of "Locateer de hotspots", zodat ze echt goed wordt in het identificeren van kritieke delen van een proteïne.
Gemeenschappelijke Oefening: Tot slot oefenen ze samen. De Strateeg maakt een plan, de Bouwer probeert het te bouwen, en als de bouw mislukt, leert de Strateeg van die fout om de volgende keer een beter plan te maken.

De Resultaten
Toen ze dit testten op het ontwerpen van antilichamen (een type proteïne-sleutel gebruikt door het immuunsysteem), creëerde Proteo-R1 sleutels die beter en realistischer in hun sloten pasten dan eerdere methoden. Cruciaal is dat het niet alleen oude sleutels kopieerde; het ontwierp nieuwe die structureel gezond waren omdat het de logica van het ontwerp begreep, niet alleen de vorm.

Kortom, Proteo-R1 stopt AI met blind gokken en start het met eerst redeneren, dan bouwen, precies zoals een menselijke expert zou doen.

Technische Samenvatting: Proteo-R1

Probleemstelling

Diepleermodellen voor de novo-proteïneontwerp, met name die gebaseerd op diffusie en flow-matching, hebben atoomniveau-nauwkeurigheid bereikt bij het genereren van moleculaire geometrieën. Deze modellen blijven echter fundamenteel niet-deliberatief. Ze synthetiseren structuren zonder expliciet te redeneren over welke residu's functioneel kritiek zijn, waarom specifieke interacties de voorkeur krijgen, of hoe ontwerprichtlijnen prioriteit moeten krijgen. In bestaande kaders wordt ontwerprichting impliciet gecodeerd in de parameters van het diffusieproces, waardoor redenering verweven raakt met continue steekproefdynamiek. Deze verwevenheid beperkt de interpreteerbaarheid, controleerbaarheid en systematische hergebruik van biochemische kennis. Bovendien scheiden menselijke experts doorgaans het proces van het identificeren van sleutelinteractieredu's (redenering) van het optimaliseren van de geometrie (generatie), een scheiding die in huidige generatieve modellen grotendeels ontbreekt.

Methodologie: Proteo-R1

Proteo-R1 introduceert een redeneringsgeleid kader voor proteïneontwerp dat moleculair begrip expliciet ontkoppelt van geometrische generatie. Het maakt gebruik van een dual-expert-architectuur:

Begripsexpert ( $E_{und}$ ): Een multimodaal groot taalmodel (MLLM) dat fungeert als een "moleculair strateeg". Het analyseert antilichaam-antigeencomplexen (sequenties, structuren en tekstuele context) om functioneel kritieke residu's te identificeren (bijv. geladen ankers, hydrofobe hotspots) en hun biochemische identiteiten te voorspellen. Cruciaal is dat $E_{und}$ geen atomaire coördinaten genereert; het produceert residuniveau-representaties en expliciete beslissingen.
Generatie-expert ( $E_{gen}$ ): Een op diffusie gebaseerd model (geïnspireerd door AlphaFold3) dat verantwoordelijk is voor de conditionele co-ontwerp van sequentie en structuur. Het ontvangt de residuniveau-beslissingen van $E_{und}$ als harde beperkingen (ankers) en voert de geometrische generatie uit onder deze vaste interactiepunten.

Belangrijke Technische Componenten

Residu-uitgelijnde Ankerinterface: In plaats van chain-of-thought (CoT)-representaties direct in de continue ontdoeningstraject te embedden, operationaliseert Proteo-R1 redenering via expliciete, spaarzame beslissingen. De begripsexidentificeert een subset van sleutelresidu's ( $I_{key}$ $I_{k ey}$ ) en voorspelt hun aminozuuridentiteiten ( $\hat{k}_i$ $\hat{k}_{i}$ ). Deze worden tijdens de generatie afgedwongen via:
- Identiteitsspecificatie: Vastzetten van de aminozuuridentiteit op sequentieniveau voor ankerresidu's.
- Embedding-ankering: Injecteren van geprojecteerde verborgen toestanden van de MLLM in de residu-embeddingsruimte van de generator, zodat de generator aandacht besteedt aan de uit redenering afgeleide context zonder de interne diffusiearchitectuur te wijzigen.
Driefasig Trainingscurriculum: Om de integratie van symbolische redenering met geometrische generatie te stabiliseren, ondergaat het model een progressief trainingsproces:
1. Multimodale Alignering: Aligneren van proteïne-sequentie (ESM-2) en structurele kenmerken (AF3-stijl trunk) met de taalspace van het LLM via schema-aanvulling en captioning-taken op PDB-gegevens.
2. Structurele Redenering Mid-Training: Het LLM wordt vrijgegeven om ruimtelijke meta-taken te beheersen (residu-grounding, paarsgewijze geometrie, interface-localisatie, hotspotvoorspelling) met behulp van deterministische labels afgeleid van atomaire structuren.
3. Gecombineerde Redeneringsgeleide Ontwerp: End-to-end optimalisatie op antilichaam-antigeencomplexen (SAbDab), waarbij de residuniveau-beslissingen van de redeneringsexpert direct sturen over de op diffusie gebaseerde CDR-herontwerp.

Belangrijkste Bijdragen

Expliciete Factorisatie: Proteo-R1 is het eerste kader dat moleculair begrip (redenering) expliciet scheidt van geometrische generatie in proteïneontwerp, wat de tweestapsworkflow van menselijke experts nabootst.
Interpreteerbaarheid en Controle: Door redenering om te zetten in spaarzame, residuniveau-ankercommitments, biedt het kader een duidelijke interface voor het inspecteren, wijzigen en hergebruiken van ontwerpbeslissingen onafhankelijk van het diffusiemodel.
Modulariteit: De redeneringsexpert fungeert als een model-agnostische interface, capable om diverse generatieve backends (bijv. AF3-achtige modellen, flow-matching-architecturen) te sturen zonder architecturale wijzigingen aan de generator te vereisen.
Stabiele Integratie: De methode vermijdt de instabiliteit van het injecteren van tekstuele of symbolische representaties direct in continue dynamiek door gebruik te maken van een spaarzaam, residu-uitgelijnd ankermechanisme dat de inductieve biases van de geometrische generator behoudt.

Experimentele Resultaten

Proteo-R1 werd geëvalueerd op co-ontwerp van complementairheidsbepalende regio's (CDR) van antilichamen, een uitdagende taak die gelijktijdige generatie van meerdere lussen vereist.

Structurele Nauwkeurigheid: Bij gelijktijdig multi-CDR-herontwerp behaalde Proteo-R1 de laagste of bijna laagste Root Mean Square Deviation (RMSD) over vijf van de zes CDR-regio's in vergelijking met baselines (bijv. DiffAb, MFDesign, dyMEAN). Het toonde een bijzonder verbetering in de plaatsing van het ruggegraat voor CDR-H1 en H2.
Interfacekwaliteit: Het model behield concurrerende interfaceverbeterings (IMP)-percentages, wat aangeeft dat expliciete residuniveau-beperkingen de generatie van energetisch gunstige bindingsconfiguraties niet belemmerden.
Geometrische Realisme: Proteo-R1 verminderde sterische botsingen (zowel intra-keten als inter-keten) en behaalde de laagste divergentie van de ruggegraat-dihedrale verdeling (JSDbb) onder vergeleken methoden.
Structuur-Sequentie Consistentie: Hoewel Proteo-R1 een lagere Aminozuurherwinning (AAR) vertoonde vergeleken met sommige baselines (wat suggereert dat het niet louter native sequenties nabootst), behaalde het een hogere Inverse Folding AAR (IF-AAR). Dit geeft aan dat de gegenereerde geometrieën intrinsiek beter compatibel zijn met coherente, realiseerbare sequenties onder een onafhankelijk inverse-folding-model, wat de bewering ondersteunt dat het model structureel onderbouwde alternatieven ontdekt in plaats van te overfitten op historische sequenties.
Oracle Ankeranalyse: Ablatiestudies met ground-truth hotspotresidu's als ankers toonden significante verdere verbeteringen in structurele nauwkeurigheid en geometrisch realisme. Dit suggereert dat de huidige prestatieknelpunt ligt in de kwaliteit van de ankeridentificatie door de redeneringsexpert, wat aanzienlijke ruimte voor toekomstige verbetering in het begripscomponent aangeeft.
Generaliteit: Wanneer toegepast op een alternatieve generatieve ruggegraat (UniMoMo), verbeterde Proteo-R1 consistent de structurele nauwkeurigheid en interfacekwaliteit, wat aantoont dat de voordelen voortkomen uit het redenering-generatieparadigma in plaats van een specifiek geometrisch model.

Betekenis en Claims

Het artikel beweert dat Proteo-R1 een schaalbaar blauwdruk biedt voor het integreren van Groot Taalmodellen (LLM's) met fysische generatieve processen in moleculair ontwerp. Door LLM's niet als ruisende conditioners te positioneren, maar als moleculaire strategen die ontwerp sturen via expliciete, biologisch onderbouwde beslissingen, adresseert het kader de "black box"-karakteristiek van huidige generatieve modellen.

De auteurs benadrukken dat deze aanpak de interpreteerbaarheid en controleerbaarheid verbetert, waardoor systematisch hergebruik van ontwerpl logica mogelijk wordt. Zij stellen dat de scheiding van "wat er toe doet" (redenering) van "hoe het wordt gerealiseerd" (generatie) centraal staat in expert-gedreven moleculair ontwerp en dat Proteo-R1 deze scheiding succesvol operationaliseert. Het werk suggereert dat toekomstige vooruitgang in proteïneontwerp zal vertrouwen op dergelijke deliberatieve, redeneringsgeleide kaders om de ontdekking van gerichte biologica te versnellen terwijl strikte fysieke beperkingen worden gehandhaafd.