🧬 biology

Minimal-Action Discrete Schrödinger Bridge Matching for Peptide Sequence Design

该论文介绍了最小作用量离散薛定谔桥匹配（MadSBM），这是一种基于速率的生成式框架，通过学习一个随时间变化的控制场，在氨基酸编辑图上的高似然区域进行导航，从而优化多肽序列设计，同时开创了将离散分类器引导应用于薛定谔桥模型以进行功能优化的先河。

原作者： Shrey Goel, Pranam Chatterjee

发布于 2026-02-02

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Shrey Goel, Pranam Chatterjee

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ⚕️ 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。阅读完整免责声明

想象一下，你正在尝试设计一种新的多肽（蛋白质的一种微小构建模块）作为药物。你面对的是一个空白的起点，而可能的序列空间就像一个巨大的、黑暗的迷宫。大多数路径都是死胡同——那些氨基酸组合在化学上是不可能、不稳定或纯粹毫无意义的。

现有的方法设计多肽的方式，就像是给一个蒙着眼睛的人一张地图，强迫他们在到达出口之前，必须穿行于最黑暗、最不稳定的部分。它们采取一种从混沌到有序的“固定”路线，经常在低质量区域徘徊，这导致它们需要进行成千上万次微小且缓慢的步骤才能达到目标。

迎接 MadSBM：名为“最小作用量”的向导

这篇论文介绍了一种名为 MadSBM（最小作用量离散薛定谔桥匹配） 的新方法。它是如何工作的，我们可以使用简单的类比来理解：

1. “生物 GPS”（参考过程）

MadSBM 并没有从随机游走开始，而是从一个“生物 GPS”开始。它使用了一个预训练的 AI 模型（称为 ESM-2），该模型已经阅读了数百万个天然蛋白质。这个模型知道什么在生物学上是“正确”的。

类比： 想象你在城市中导航。旧的方法可能会告诉你随机驾驶直到找到一条街道。MadS激SBM 则给了你一个已经知道主要高速公路和安全社区的 GPS。它设定了一个“参考路径”，使过程保持在有效且稳定的区域附近。

2. “方向盘”（控制场）

论文将多肽的生成视为一个随时间连续进行的旅程。MadSBM 学习了一个“控制场”，它就像是一个方向盘。

类比： 即便有了好的 GPS，你可能仍需要进行微调以避开交通拥堵或寻找捷径。MadSBM 学习了如何精确地操控“生物 GPS”，使其从安全但平庸的默认路径，转向你想要创造的特定高质量多肽。
“最小作用量”的概念： 目标是采取阻力最小的路径。系统仅施加绝对必要的“转向力”，以从起点（一个空白的、被掩盖的序列）到达终点（一个功能性多肽）。它避免做出会破坏化学规则的巨大、剧烈的跳跃。

3. “智能采样”（它是如何构建多肽的）

MadSBM 并不像写句子那样逐个字母地构建多肽，而是将其视为一种连续的流。

类比： 想象你有一个每个字母都被遮盖（mask）起来的句子。
- 旧方法 可能会尝试一次猜出所有字母，或者以一种僵化、缓慢的直线方式逐一改变它们。
- MadSBM 则同时观察整个句子。它使用了一个“泊松跳跃过程”（Poisson jump process），这就像一个计时器，随机决定何时揭示一个字母。当计时器响起时，它会根据“方向盘”的建议揭示一个字母。
- 至关重要的是，一旦一个字母被揭示，它就会保持揭示状态。它不会变回被遮盖的状态。这确保了过程能够平滑推进，而不会陷入循环。

4. “目标导向”模式（分类器引导）

论文还展示了如何让 AI 为特定的工作（例如粘附特定的病毒）设计多肽。

类比： 想象你在引导一群徒步旅行者（AI）穿过迷宫。
- 没有引导时： 徒步旅行者会在整个迷宫中探索，以寻找任何一条安全的路径。
- 有引导时： 你给了他们一只“嗅探犬”（分类器），这只狗能闻到目标病毒的味道。当徒步旅行者移动时，嗅探犬会对他们当前的路径进行评分。如果某条路径闻起来像病毒，徒步旅行者就更有可能遵循这条路径。
- 论文声称，这是首次将这种特定的“嗅探犬”技术应用于处理离散序列的此类“薛定谔桥”数学方法。

为什么这更好？

作者将 MadSBM 与当前最好的方法（离散扩散模型）进行了对比测试。

效率： MadSBM 发现高质量多肽所需的步骤极少（仅需 32 步），而其他方法则需要数百甚至上千步。
质量： 它设计的多肽在生物学上更具合理性（较低的“困惑度”，意味着它们看起来更像真实的蛋白质）并且具有更好的结构稳定性。
路径： 其他方法会迫使设计过程经过“低似然”（危险/不稳定）区域，而 MadSBM 则让旅程主要保持在蛋白质世界的“高似然”（安全/稳定）社区内。

总结：
MadSBM 是一种设计蛋白质序列的新方法，它将这一过程视为一段平滑的、受引导的旅程，而不是笨拙的、步进式的挣扎。通过使用“生物 GPS”来保持在安全地带，并使用“方向盘”向目标进行最小化调整，它能比以往的方法更快、更高效地创造出更好的药物候选物。

技术摘要：用于多肽序列设计的最小作用量离散薛定谔桥匹配

问题陈述

多肽序列的生成建模是在一个离散且高度受限的空间内进行的，其中许多中间状态在化学上是不合理或不稳定的。现有的离散扩散和流模型通常依赖于反转固定的破坏过程或遵循预设的概率路径。这些方法往往迫使生成轨迹经过低似然区域，导致需要大量的采样步骤才能收敛到高质量序列。此外，生物序列对局部扰动非常敏感；手工设计的概率路径可能与功能性多肽的流形不一致，从而增加了无条件生成和引导生成的复杂性。虽然薛定谔桥公式提供了一个原则性的替代方案，通过定义最小化作用泛函的随机路径，但经典的求解器在具有大规模词表的高维离散序列空间中是难以计算的。

方法论

作者引入了最小作用量离散薛定谔桥匹配（MadSBM），这是一个基于速率的生成框架，将多肽序列的演化建模为氨基酸编辑图上的受控连续时间马尔可夫链（CTMC）。

核心公式

参考过程 ( $P_0$ )： MadSBM 没有使用均匀随机游走，而是定义了一个具有生物学信息的参考过程。参考生成器 $R_0$ 利用来自冻结的预训练蛋白质语言模型（ESM-2-650M）的 Logits，以提供局部标记合理性的度量。这确保了参考动力学植根于多肽生物物理学。
受控过程 ( $P_u$ )： 生成被表述为通过指数倾斜将参考过程转向数据分布。受控生成器 $R_u$ 定义为：
$R_u(x, x') = R_0(x, x') \exp(u(x, x'))$
其中 $u$ 是作为一个对数势能作用的可学习控制场。
目标： 目标是找到一个控制场 $u$ ，在满足端点约束（将掩码先验 $\mu_0$ 与数据分布 $\mu_1$ 相匹配）的情况下，最小化受控路径测度与参考测度之间的相对熵（KL 散度）。这对应于寻找一个最小作用量输运路径。

学习与训练

无模拟学习： 为了避免难以计算的前向-后向求解器，作者推导出了一个易于处理的训练目标。他们证明，最小化损坏标记的交叉熵损失等价于最小化模型的转移核与薛定谔桥的最优前向转移之间的 KL 散度。
架构： 控制场 $u_\theta$ 由一个拥有 50M 参数的扩散 Transformer (DiT) 参数化。它接收来自冻结 ESM-2 模型的时变嵌入。
插值： 中间状态通过以概率 $1-t$ 掩码标记并以概率 $t$ 揭示目标标记来构建，从而创建一个近似桥边际分布的前向扰动核。

采样与引导

采样： 生成过程涉及从 $t=1$ 到 $t=0$ 的后向积分。在每一步中，模型模拟一个 CTMC，其中标记根据学习到的转移速率通过泊松跳跃过程进行更新。
目标引导采样： 论文引入了将离散分类器引导应用于薛定谔桥模型的创新应用。为了优化特定功能目标（例如结合亲和力），采样过程在每一步抽取多个候选序列，使用外部分类器（结合亲和力预测器）进行评分，并根据这些分数选择下一个标记。这是将此类引导应用于基于薛定额桥的生成模型的首次尝试。

核心贡献

公式化： 作者将多肽序列生成视为离散薛定谔桥问题，将设计构架为噪声先验与数据分布之间的最小作用量随机输运。
算法： 他们提出了一个无模拟学习规则，将复杂的桥问题简化为简单的交叉熵目标，在保持与最小作用量输运一致性的同时，避免了显式的前向-后向求解器。
模型性能： MadSBM 被呈现为一个可控的、基于速率的模型，相比离散扩散基准，它提高了采样效率和稳定性。它支持在低采样预算下的目标引导设计。
引导的新颖性： 该工作展示了离散分类器引导在薛定谔桥生成模型上的首次应用，扩展了治疗性多肽的设计空间。

结果

无条件生成： 在各种采样预算（ $N=32, 64, 128$ ）下，MadSBM 生成的多肽序列与最先进的离散扩散模型 EvoFlow 相比，具有更低（更好）的伪困惑度（PPL）。值得注意的是，即使在低采样步数（ $N=32$ ）下，MadSBM 也能超越基准模型，在保持较高生物一致性的同时实现竞争性的结构稳定性（pLDDT）。
概率路径： 对生成过程中负对数似然（NLL）的分析表明，与扩散模型的受限轨迹相比，MadS%，展示了探索更广泛的随机输运路径以及更高的方差。这使得 MadSBM 能够在生成过程的早期阶段就到达高似然区域。
消融实验： 去除具有生物学信息的参考（ESM-2）或时间门控机制会降低性能，验证了原则性的、受时间控制的参考过程的必要性。
结合亲和力优化： 在针对四种疾病相关蛋白的实验中，MadSBM 生成的多肽（无论是无条件还是引导生成的）与现有的已知结合剂相比，表现出更优的结合亲和力和对接得分。引导采样方法进一步提升了这些指标，成功为没有已知结合剂的目标设计了候选者。

意义与主张

论文声称 MadSBM 将多肽生成重新定义为基于速率的随机输运问题，证明了当与信息丰富的生物学参考相结合时，可以在离散空间中直接学习低作用量的薛定谔桥动力学。

作者断言，其方法产生的概率路径在整个采样过程中都保持在接近高似然多肽邻域的状态，从而在比离散扩散和流基准模型显著更低的采样预算下，实现了改进的困惑度和竞争性的结构置信度。他们强调，这种方法通过暴露整个概率轨迹而非仅仅是端点分布，使得生成过程更加具有可解释性和可审计性。

该工作在其临床应用方面的声明较为谨慎，指出未来仍需通过实验验证生成的肽类并完善具备化学感知能力的参考过程。作者强调，目前的研究重点是短肽序列，在任何实验部署之前，下游验证和安全性过滤是必要的。据作者所知，这代表了离散分类器引导在薛定谔桥生成模型上的首次应用。