🧬 biology

Cross-Chirality Generalization by Axial Vectors for Hetero-Chiral Protein-Peptide Interaction Design

本文提出了一种新颖的生成式人工智能框架，该框架通过将轴向向量集成到 $E(3)$ -等变模型中，实现了从 L-蛋白质训练数据到 D-肽结合剂设计的跨手性泛化，并标志着首个在湿实验中成功验证的用于从头设计异手性蛋白质-多肽相互作用的方法。

原作者： Ziyi Yang, Zitong Tian, Yinjun Jia, Tianyi Zhang, Jiqing Zheng, Hao Wang, Yubu Su, Juncai He, Lei Liu, Yanyan Lan

发布于 2026-06-01

📖 1 分钟阅读☕ 轻松阅读

原作者： Ziyi Yang, Zitong Tian, Yinjun Jia, Tianyi Zhang, Jiqing Zheng, Hao Wang, Yubu Su, Juncai He, Lei Liu, Yanyan Lan

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

大局观：“手性”难题

想象一下，你的身体是一个完全由左手工具建造的巨大工厂。在生物学中，几乎所有的蛋白质都是由“左手”构建模块（L-氨基酸）组成的。正因如此，工厂的保安（酶）经过专门训练，能够识别并摧毁任何看起来不像左手工具的东西。

目标： 科学家们想要创造出右手型（D-肽）工具，使其仍能嵌入左手锁（蛋白质）中，从而修复损坏的机器（治疗疾病）。

为什么？ 右手工具对工厂的保安来说是隐形的。它们不会被破坏，因此在体内停留时间更长，也更安全。
问题在于： 设计一个能适配左手锁的右手工具极其困难。通常情况下，你必须建造一整个“镜像世界”的工厂（合成镜像蛋白质）来测试你的工具是否匹配。这既缓慢、昂贵又困难。

解决方案：PepMirror（“镜像图像 AI”）

研究人员构建了一个名为 PepMirror 的新 AI。把它想象成一位大师级的建筑师，他虽然只见过左手工具的蓝图，却学会了一个秘密技巧，可以瞬间设计出完美适配相同左手锁的右手型工具。

以下是他们实现这一目标的三个简单概念：

1. “镜像”技巧（旧方法 vs 新方法）

旧方法（镜像显示）： 为了寻找右手工具，科学家过去会先制造一个锁的镜像版本（右手型蛋白质），找到一个能适配那个镜像锁的左手工具，然后假设该工具的镜像版本能适配真实的锁。这就像是通过制造一个镜像房子，找到一把镜像房子的钥匙，然后寄希望于那把钥匙的倒影能打开真实的房子。
新方法 (PepMirror)： 这个 AI 能够极其深刻地理解锁的几何结构，以至于它可以在脑海中直接翻转设计，直接生成右手型版本，而无需先建立一个镜像工厂。

2. 秘诀：“轴向量”（指南针）

该论文的核心创新是一个被称为轴向特征注入 (Axial Feature Injection, AFI) 的数学技巧。

标准 AI 的问题： 大多数 3D AI 模型就像一台只能看到“形状”的相机。如果你拍下一张左手和一只右手的照片，相机看到的只是两只“手”。它不知道“左”和“右”的区别，因为它将它们视为同一个物体，只是旋转了角度。
解决方案（轴向量）： 研究人员在 AI 的大脑中加入了一个特殊的“指南针”。
- 想象你手里拿着一把螺丝刀。如果你顺时针旋转，它就会拧进去；如果你逆时针旋转，它就会拧出来。这种“旋转感”就是 AI 所说的轴向量 (Axial Vector)。
- 标准的“极向量 (Polar Vectors)”（比如吹过的风）只是指向一个方向。
- 轴向量（比如陀螺的旋转）在镜像中表现得不同。如果你在镜子里看一个旋转的陀螺，它的旋转方向会发生反转。
- 通过将这些“旋转”特征注入 AI，模型突然明白了：“等等，这个形状是一个左手螺丝，而那个形状是一个右手螺丝。它们是不一样的！”

3. “零样本”魔力（通过类比学习）

通常，要教 AI 设计右手工具，你需要给它展示数千个右手工具适配右手锁的例子。但由于自然界中不存在这些例子（自然界全是左手型的），这些数据是缺失的。

突破点： 研究人员只向 AI 展示了左手型的例子（L-蛋白质和 L-肽）。
结果： 由于 AI 现在通过轴向量理解了“旋转”（手性），它意识到：“如果我把这个左手设计拿过来，并翻转其旋转方向，它就会变成一个适配翻转后锁的右手设计。”
它成功实现了从左对左训练数据到右对左设计任务的泛化。这就像教一位厨师如何烹饪完美的牛排，然后要求他烹饪一份他从未见过的“镜像版”牛排，而他做得完美无缺，因为他理解的是烹饪的原理，而非仅仅是食谱。

证明：它真的有效吗？

团队不仅进行了模拟实验，还进入真实的湿实验室进行了测试。

目标： 他们选择了一种名为 CD38 的蛋白质（与癌症和免疫疾病有关）。
设计： 他们要求 PepMirror 设计 5,000 个右手型肽结合剂。
测试： 他们挑选出表现最好的 12 个，在实验室中进行合成，并针对真实的 CD38 蛋白质进行测试。
结果： 其中一个设计（一个由 10 个字母组成的肽，命名为 D-1412）成功地以高强度粘附在蛋白质上。
- 注：有趣的是，这个成功的肽的“镜像版本”（左手型版本）同样也能粘附在蛋白质上。论文指出，这是一种罕见但有记载的现象，即锁的灵活性极高或适配度极度精准，导致两只手都能转动钥匙。这证实了该设计在物理上是真实且稳定的。

成果总结

首创之举： 这是第一次生成式 AI 成功设计出一种全新的右手型药物结合剂，并在真实实验室中得到了验证。
无需镜像工厂： 他们不需要合成镜像蛋白质来训练 AI。
优于现有工具： 与其他 AI 工具相比，PepMirror 在创建真正能适配的右手型设计方面表现出色，而其他工具要么无法改变“手性”，要么生成的设计会直接解体。

简而言之

研究人员通过赋予 AI 一个特殊的数学“指南针”（轴向量），教会了它理解“左”与“右”的区别。这使得 AI 能够利用它从左手生物学中学到的知识，瞬间发明出能在现实世界中发挥作用的右手型药物，为开发更长效、更安全的药物开辟了大门。

技术摘要：通过轴向矢量实现异手性蛋白质-多肽相互作用设计的跨手性泛化

1. 问题陈述

自然界中的蛋白质主要是同手性的，由 L-氨基酸组成。因此，D-多肽（由 D-氨基酸组成）具有显著的治疗优势，包括抵抗蛋白水解降解、延长体内半衰期以及降低免疫原性。然而，为天然 L-蛋白质靶点设计 D-多肽结合剂仍然是一个具有挑战性的“零样本”（zero-shot）泛化问题。

传统方法依赖于“镜像显示”，即合成 D-蛋白质靶点以筛选 L-多肽结合剂，然后将其镜像化以创建 D-多肽。这种方法受限于合成 D-蛋白质靶点的难度。虽然机器学习在 L–L（同手性）多肽设计方面取得了进展，但生成 D–L（异手性）相互作用的研究在很大程度上仍处于空白。现有的等变模型（E(3)-等变模型）本质上是与反射无关的；它们将一个结构及其镜像视为具有相同的表示，这使得它们无法区分手性，也无法从 L–L 训练数据泛化到 D–L 设计任务。

2. 方法论

2.1. 理论基础：轴向特征注入 (AFI)

这项工作的核心创新是轴向特征注入 (Axial Feature Injection, AFI)，这是一种修改 E(3)-等变神经网络使其成为 SE(3)-等变（对手性敏感）的方法。

极矢量与轴向矢量： 标准几何深度学习模型利用极矢量特征（如位置、速度），这些特征在空间反转下会改变符号（ $P = -I$ ）。为了打破这种反转等变性同时保持旋转等变性，作者注入了轴向矢量（如角动量、磁场），这些矢量在空间反转下保持不变（ $P a(x) = a(x)$ ）。
机制： 作者提出通过通道维度的线性混合，将极矢量特征 ( $v$ ) 与构建的轴向矢量特征 ( $a$ ) 进行混合：
$e_v(X) = A^\top v(X) + B^\top a(X)$
理论分析（定理 3.1）表明，在温和的假设下，这种注入会在分子 $X$ 及其镜像 $-X$ 的潜在表示中产生不可忽略的差异，同时保持它们在同一氨基酸类型簇内。这使得模型能够在不导致表示空间坍缩的情况下区分手性。

2.2. 轴向特征的构建

为了在不产生高阶张量表示的高昂计算成本的情况下高效实现 AFI，作者基于 SO(3) 表示的低阶张量分解构建了三种特定的轴向矢量特征：

外积 (Cross Product): $u \times v$
投影标量三重积 (Projected Scalar Triple Product): $(w \cdot (u \times v)) \cdot w$
对易子特征 (Commutator Feature): $(u \cdot v)(u \times v)$

这些特征是从极矢量输入的相邻通道中导出的，并被注入到网络中。

2.3. 模型架构：PepMirror

AFI 机制被实现在基于 UniMoMo 框架的潜扩散模型 PepMirror 中。

骨干网络： 该模型使用 EPT（等变预训练 Transformer） 作为其骨干。
修改： 通过在每个前馈网络 (FFN) 层之前的矢量特征 ( $V'$ ) 中注入构建的轴向特征来实现 AFI，从而创建 AFI-EPT。
工作流：
1. 将 L-蛋白质靶点反转为其镜像图像 ( $G'_t = P(G_t)$ )。
2. 扩散模型在以反转后的靶点为条件的条件下，生成 L-多肽结合剂的潜在代码。
3. 将输出再次反转，从而得到原始 L-靶点的 D-多肽结合剂。
4. 理论稳定性分析（定理 3.4）确认了条件扩散过程在空间反转下保持稳定，确保模型能够从 L–L 训练数据泛化到 D–L 设计任务。

3. 主要贡献

AFI (轴向特征注入)： 一种即插即用的方法，通过向极矢量通道注入轴向特征，将 E(3)-等变模型转换为对手性敏感的（SE(3)-等变）模型。
理论分析： 提供了一个理论框架，证明了 AFI 如何在保持氨基酸类型聚类的同时，诱导对映异构体在潜在空间中的差异，从而实现零样本跨手性泛化。
PepMirror： 开发了用于 de novo 设计 D-多肽结合剂的最先进 (SOTA) 生成式 AI 框架。
实验验证： 首个经过湿实验验证的用于 D-多肽结合剂设计的生成式 AI，展示了超越 in silico 基准的有效性。

4. 结果

4.1. 潜在空间分析

手性感知能力： 配备 AFI 的模型在对映异构体（ $X$ vs. $-X$ ）之间的中值潜在距离在 $10^{-2}$ 量级上表现出显著差异，比没有 AFI 的模型高出四个数量级。
聚类情况： t-SNE 和热图显示，相同类型的 L 和 D 氨基酸形成了紧密且独特的簇，而不同类型的氨基酸则保持分离。这证实了模型在学习手性的同时没有丢失语义身份。

4.2. 计算机模拟 (In-Silico) 评估

在 Large Non-Redundant (LNR) 复合物数据集上针对 RFDiffusion、D-Flow 和 UniMoMo 等基准模型进行了评估：

手性一致性： 在 D-多肽设计任务中，PepMirror 在原始结构和最小化结构中均实现了 >99% 的正确手性。相比之下，没有显式手性先验的模型（如 PocketXMol、UniMoMo）产生了混合手性的输出，而 E(3)-等变模型（如 RFDiffusion）在给定反转靶点时无法生成 D-多肽。
界面亲和力： PepMirror 展示了优于基准模型的结合评分 (Vina) 和界面能量改善 (IMP)。值得注意的是，在从 L-多肽切换到 D-多肽设计任务时，它表现出的性能下降最小，而其他模型则出现了显著的“性能悬崖”。

4.3. 湿实验验证

靶点： CD38，一种治疗多发性骨髓瘤的治疗靶点。
流程： 使用 PepMirror (cross) 生成了 5,000 个 D-多肽候选药物。经过筛选后，合成了 12 个候选药物。
结果： 鉴定出一个 10-mer 多肽 (D-1412)，其解离常数 ( $K_D$ ) 约为 10 µM。
观察： 有趣的是，其对映异构体 (L-1412) 也显示出了结合活性，这表明虽然设计是成功的，但在这种特定情况下，相互作用可能并非严格的立体选择性，这是近期文献中关于无序蛋白质相互作用的一个现象。

5. 重要性与声明

论文声称 PepMirror 代表了首个经过湿实验验证的用于 de novo 设计 D-多肽结合剂的生成式 AI。

科学影响： 这项工作证明了通过向几何神经网络中注入轴向矢量来实现跨手性泛化的可行性。这为处理蛋白质设计中的手性问题提供了新视角，超越了与反射无关模型的局限性。
实际效用： 通过成功为真实的治疗靶点 (CD38) 设计结合剂并在实验中进行验证，作者建立了一种新的镜像药物发现工作流，该工作流绕过了需要合成 D-蛋白质靶点的难题。
谦逊性： 作者承认，其理论分析侧重于简化假设下的特征混合机制，而非提供完整的端到端网络理论。他们还指出，虽然 AFI 是在 UniMoMo 框架内展示的，但它是一种适用于各种架构的轻量级设计原则。

总之，这项工作架起了理论几何深度学习与实际治疗设计之间的桥梁，提供了一种经过验证的方法，用于生成针对天然 L-蛋白质的 D-多肽结合剂。