🤖 machine learning

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

Proteo-R1 是一个双专家框架，它通过将分子推理与几何生成显式解耦，并利用多模态语言模型识别关键功能残基作为基于扩散的生成器的硬约束，从而增强从头蛋白质设计，以确保稳定、可解释且可控的设计结果。

原作者： 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

发布于 2026-05-06

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： 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

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象你是一位首席建筑师，正试图设计一把全新的、定制形状的钥匙，使其能完美契合一把特定且复杂的锁（蛋白质靶点）。

旧方法：“试错”建筑师
此前，试图设计这些钥匙的 AI 模型就像一位狂乱的艺术家，将颜料胡乱泼洒在画布上。它们会一次性生成整个钥匙的形状，希望原子能落在正确的位置。虽然它们在让钥匙看起来更真实方面有所进步，但它们并没有真正“思考”为什么钥匙的某些部分需要特定的形状。它们只是在随机采样各种可能性，直到某样东西看起来还行。这使得人们很难理解 AI 为何做出特定的设计选择；如果钥匙不起作用，也很难在不破坏整体的情况下修复其中某一部分。

新方法：Proteo-R1（“战略家”与“建造者”）
这篇论文介绍了Proteo-R1，它通过将工作拆分为两个截然不同的角色来改变游戏规则，这就像一项拥有战略家和建造者的建筑工程项目。

战略家（推理专家）：
- 他们是谁： 一位超级聪明的 AI，负责阅读“蓝图”（蛋白质序列和结构）以及“客户笔记”（钥匙需要完成的功能）。
- 他们做什么： 在画出第一条线之前，这位 AI 会停下来思考。它会识别锁上最关键的位置——那些钥匙必须接触才能起作用的“热点”。它会决定：“好的，在这个特定点，我们需要一个带电的锚点，在那里需要一个疏水区域。”
- 类比： 这就像建筑师说：“我们需要在这里放一根钢梁来支撑屋顶，在那里开一扇窗户以引入光线。”他们首先做出艰难而合乎逻辑的决策。
建造者（生成专家）：
- 他们是谁： 一台技艺高超的 3D 打印机（扩散模型），擅长创造平滑、逼真的形状。
- 他们做什么： 战略家向建造者提供一套严格的规则：“建造钥匙的其余部分，但你必须在这里保留这根钢梁，在那里保留那扇窗户。”随后，建造者填充设计的其余部分，确保原子完美契合，同时严格遵守战略家不可协商的规则。
- 类比： 建造者就像一位知道如何完美砌砖以建成美丽墙壁的大师级石匠，但他们被明确告知门和窗户必须位于何处。他们不靠猜测，而是在这些约束条件下完美地执行计划。

为何这意义重大

不再有“黑盒”： 在旧方法中，你无法得知 AI 为何选择某种形状。使用 Proteo-R1，你可以看到战略家的笔记：“我在此处放置这个氨基酸，是因为它形成了一个盐桥。”它是透明且可解释的。
更好的控制： 如果你想改变设计，无需抛弃整个方案。你只需告诉战略家更改一个决策（例如，“移动窗户”），建造者便会调整其余部分。
逼真度： 由于建造者是一流的几何模型，最终的钥匙在物理上看起来是真实的，不会出现原子相互碰撞的情况（而单纯靠猜测时这种情况时有发生）。

他们如何训练它
论文描述了这个团队的三步训练营：

对齐： 教导战略家使用与建造者相同的语言，以便它们能正确理解蛋白质结构和序列。
推理训练： 给战略家成千上万个谜题去解决，例如“找到盐桥”或“定位热点”，使其在识别蛋白质的关键部分方面变得非常擅长。
联合演练： 最后，他们一起练习。战略家制定计划，建造者尝试构建；如果构建失败，战略家便从该错误中学习，以便下次制定更好的计划。

结果
当他们在设计抗体（免疫系统使用的一种蛋白质钥匙）时进行测试，Proteo-R1 生成的钥匙比之前的方法契合度更高、更逼真。关键在于，它不仅仅是复制旧钥匙；它设计了结构稳固的新钥匙，因为它理解了设计的逻辑，而不仅仅是形状。

简而言之，Proteo-R1 阻止了 AI 盲目猜测，转而让它先推理，后建造，就像人类专家一样。

技术摘要：Proteo-R1

问题陈述

用于从头（de novo）蛋白质设计的深度学习模型，特别是那些基于扩散和流匹配（flow matching）的模型，已在生成分子几何结构方面实现了原子级保真度。然而，这些模型本质上仍是**非 deliberative（非深思熟虑/非推理性）**的。它们在合成结构时，并未显式地推理哪些残基在功能上至关重要、为何特定相互作用更受青睐，或应如何优先处理设计约束。在现有框架中，设计意图被隐式编码在扩散过程的参数中，导致推理与连续采样动力学相互纠缠。这种纠缠限制了可解释性、可控性以及对生化知识的系统性复用。此外，人类专家通常将识别关键相互作用残基（推理）的过程与优化几何结构（生成）的过程分离开来，而当前的生成式模型中 largely 缺乏这种分离。

方法论：Proteo-R1

Proteo-R1 引入了一种推理引导的蛋白质设计框架，显式地将分子理解与几何生成解耦。它采用双专家架构：

理解专家（ $E_{und}$ ）： 一个多模态大语言模型（MLLM），充当“分子战略家”。它分析抗体 - 抗原复合物（序列、结构和文本上下文），以识别关键功能残基（例如带电锚点、疏水热点）并预测其生化特性。关键在于， $E_{und}$ 不生成原子坐标；它产生残基级表示和显式决策。
生成专家（ $E_{gen}$ ）： 一个受 AlphaFold3 启发的基于扩散的模型，负责序列和结构的条件协同设计。它接收来自 $E_{und}$ 的残基级决策作为硬约束（锚点），并在这些固定的相互作用点约束下执行几何生成。

关键技术组件

残基对齐锚点接口： 不同于将思维链（CoT）表示直接嵌入连续去噪轨迹，Proteo-R1 通过显式、稀疏的决策来操作化推理。理解专家识别关键残基子集（ $I_{key}$ $I_{k ey}$ ）并预测其氨基酸身份（ $\hat{k}_i$ $\hat{k}_{i}$ ）。这些通过以下方式在生成过程中强制执行：
- 身份指定： 在序列层面固定锚点残基的氨基酸身份。
- 嵌入锚定： 将来自 MLLM 的投影隐藏状态注入生成器的残基嵌入空间，确保生成器关注推理衍生的上下文，而无需修改其内部扩散架构。
三阶段训练课程： 为了稳定符号推理与几何生成的集成，模型经历渐进式训练过程：
1. 多模态对齐： 利用 PDB 数据上的模式补全和描述任务，将蛋白质序列（ESM-2）和结构特征（AF3 风格主干）与 LLM 的语言空间对齐。
2. 结构推理中期训练： 解冻 LLM，使其掌握空间元任务（残基定位、成对几何、界面定位、热点预测），使用源自原子结构的确定性标签。
3. 联合推理引导设计： 在抗体 - 抗原复合物（SAbDab）上进行端到端优化，其中推理专家的残基级决策直接引导基于扩散的 CDR 重新设计。

主要贡献

显式分解： Proteo-R1 是首个在蛋白质设计中显式分离分子理解（推理）与几何生成的框架，镜像了人类专家的两阶段工作流程。
可解释性与可控性： 通过将推理转化为稀疏的、残基级的锚定承诺，该框架提供了一个清晰的接口，用于独立于扩散模型检查、修改和复用设计决策。
模块化： 推理专家充当模型无关的接口，能够指导各种生成后端（例如类 AF3 模型、流匹配架构），而无需更改生成器的架构。
稳定集成： 该方法通过使用稀疏的、残基对齐的锚定机制，避免了将文本或符号表示直接注入连续动力学所带来的不稳定性，从而保留了几何生成器的归纳偏置。

实验结果

Proteo-R1 在抗体互补决定区（CDR）协同设计任务上进行了评估，这是一项具有挑战性的任务，需要同时生成多个环区。

结构准确性： 在同时多 CDR 重新设计中，与基线（如 DiffAb、MFDesign、dyMEAN）相比，Proteo-R1 在六个 CDR 区域中的五个区域实现了最低或接近最低的均方根偏差（RMSD）。它在 CDR-H1 和 H2 的主干放置方面表现出特别显著的改进。
界面质量： 该模型保持了具有竞争力的界面改进（IMP）率，表明显式的残基级约束并未阻碍生成能量有利的结合构象。
几何真实性： Proteo-R1 减少了立体位阻冲突（包括链内和链间），并在比较方法中实现了最低的主干二面角分布散度（JSDbb）。
结构 - 序列一致性： 虽然 Proteo-R1 表现出比某些基线更低的氨基酸恢复率（AAR）（表明它不仅仅是模仿天然序列），但它实现了更高的逆折叠氨基酸恢复率（IF-AAR）。这表明生成的几何结构在独立的逆折叠模型下，本质上与连贯、可实现的序列更具兼容性，支持了该模型发现基于结构的替代方案而非过拟合历史序列的主张。
Oracle 锚点分析： 使用真实热点残基作为锚点的消融研究表明，结构准确性和几何真实性有显著进一步提升。这表明当前的性能瓶颈在于推理专家锚点识别的质量，突显了理解组件在未来具有巨大的改进空间。
通用性： 当应用于替代生成主干（UniMoMo）时，Proteo-R1 一致地提高了结构准确性和界面质量，证明其优势源于推理 - 生成范式，而非特定的几何模型。

意义与主张

本文主张 Proteo-R1 提供了一个可扩展的蓝图，用于将大语言模型（LLM）与分子设计中的物理生成过程相结合。通过将 LLM 定位为并非嘈杂的条件器，而是通过显式、基于生物学的决策来指导设计的分子战略家，该框架解决了当前生成式模型的“黑盒”性质。

作者强调，这种方法增强了可解释性和可控性，允许系统地复用设计逻辑。他们提出，将“什么重要”（推理）与“如何实现”（生成）的分离是专家驱动分子设计的核心，而 Proteo-R1 成功地将这种分离操作化。这项工作表明，蛋白质设计的未来进步将依赖于这种深思熟虑的、推理引导的框架，以加速靶向生物制剂的发现，同时保持严格的物理约束。