pLM-Guided Inverse Folding for Antibody Sequence Design

想象一下，你正试图编写一份食谱（氨基酸序列），以完美地重现一个特定的、复杂的蛋糕（蛋白质三维结构）。这就是蛋白质设计中“逆折叠”（inverse folding）所面临的挑战。

问题所在：蓝图太少
通常，为了学习如何编写这些食谱，你需要一个现有的蓝图库，展示蛋糕的形状是如何与其原料相匹配的。然而，对于抗体（身体的防御蛋白）而言，这些蓝图极其稀缺且获取成本高昂。由于蓝图库规模过小，试图学习这项任务的计算机程序往往会“死记硬背”现有的少量案例，而不是真正理解其中的规则，从而导致结果不佳。

旧方法：专门化训练
标准的解决方案是找一位通用的烹饪学校毕业生（在所有蛋白质上训练过的模型），并给他们上一门关于抗体食谱的速成课。虽然这有所帮助，但仍受限于现有抗体蓝图的数量。

新方案：“无需训练”的联手
本文介绍了一种巧妙的方法，可以在不需要重新训练或寻找更多蓝图的情况下，将两位专家结合在一起：

1. 结构建筑师 (ProteinMPNN)： 这是一位通用的蛋白质专家，擅长观察一个形状，并推断出为了维持该形状必须具备哪些原料。
2. 语言诗人 (IgLM)： 这是一位抗体领域的专家，他读过数百万个抗体故事（序列），但未必研究过三维蓝图。他知道一个“听起来自然”的抗体序列应该是什么样的，因为他理解抗体的“语言”。

他们如何协作
作者并没有强迫其中一人去教另一人，而是简单地要求两位专家同时为同一个蛋糕形状编写一份食谱。然后，他们通过加权投票（集成）来决定最终的食谱。

把这想象成厨师与美食评论家的协作。厨师了解烘焙的物理原理（结构），而评论家知道美味、地道的菜肴尝起来是什么味道（序列语言）。通过同时倾听两者的意见，他们创造出了一份既符合结构力学又口感自然的食谱。

实验结果
在针对抗体和纳米抗体结构的测试中，这种“联手”方法取得了两个令人印象深刻的成果：

• 更高的准确度： 它比单独工作的结构专家能更好地恢复正确的原料，表现几乎接近于那些经过数千个抗体蓝图专门训练的模型。
• 更多的多样性： 它生成了更多样化的独特食谱，而不是仅仅复制那少数几种模式。

即使当结构专家已经接受过抗体速成课（名为 AbMPNN 的模型）时，将“语言诗人”加入团队仍然提升了结果。这表明，理解抗体的“语言”能增加一层自然度，这是仅靠结构训练无法实现的，它能确保最终的设计既能保持其形状，看起来又像真实的天然抗体。