🧬 biology

BioForm-LM: Generative Design of Biologics Formulations via In-Context Learning and Physics-Informed Decoding

BioForm-LM 是一种结合了机制模拟、上下文少样本学习和物理信息解码的新型生成系统，能够自动设计从头合成的生物制剂配方，在现实世界的基准测试中显著优于传统的排序方法和随机采样。

原作者： Sravan Kumar Bonthada

发布于 2026-09-09

📖 1 分钟阅读☕ 轻松阅读

原作者： Sravan Kumar Bonthada

原始论文采用 CC BY 4.0 许可（https://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

研发一种救命的蛋白质药物仅仅是成功了一半；另一半则是让它足够稳定，以便在货架、注射器或人体内存活。生物制剂（包括抗体和其他复杂的蛋白质）是脆弱的分子，如果溶解它们的液体平衡得不够完美，它们很容易发生聚集或失去形状。几十年来，寻找这种完美的平衡一直是一个缓慢、依赖人工且充满试错的过程。科学家将蛋白质与不同的缓冲液、糖类和盐类混合，然后等待数周以观察其是否能保持稳定。这一瓶颈既昂贵又限制了新药到达患者手中的速度，尤其是在那些缺乏可靠冷藏条件的地区。核心挑战在于，虽然科学家了解蛋白质与其环境相互作用的基本规则，但目前几乎没有现实世界的数据可以用来教计算机如何预测适合新药的混合比例。大多数现有的计算机工具只能对人类已经提出的混合物列表进行排序；没有一个能够从零开始发明一种全新的、稳定的混合物。

一位研究人员现在推出了一种名为 BioForm-LM 的新系统，试图通过教计算机“想象”稳定的药物混合物来解决这个问题。该系统并非依赖于庞大的过往实验库（对于大多数新蛋白质而言，这些库并不存在），而是采用了三部分策略。首先，它运行一个快速的、基于物理学的模拟过程，模拟蛋白质在不同液体中的行为。这个模拟器生成了包含一百万个蛋白质混合物及其稳定性的合成示例，从而教会计算机化学和物理的基本定律。其次，该系统使用了一种只需少量样本即可学习的人工智能。当科学家想要稳定一种新蛋白质时，他们只需向计算机提供关于该特定蛋白质的三到十个真实测量值。系统利用这几个数据点即时调整其理解，而无需重新训练。最后，一个经过相同物理规则训练的专门检查器会审查计算机的建议，并挑选出在现实世界中最有可能奏效的方案。

研究人员在科学文献中发现的十八种真实药物配方组成的精选小规模集合上测试了这种方法。结果显示，该系统能够生成新的、可行的混合物配方，且显著优于随机猜测。在涉及一种小型抗体片段的具体案例中，系统仅使用三个真实数据点进行引导，就实现了预测结果与实际实验结果的完美匹配。平均而言，该系统探索的化学空间几乎是随机搜索覆盖范围的五倍，这表明它学习到了关于如何稳定蛋白质的真实模式，而非仅仅是记忆旧数据。该系统还展示了它可以适应不同类型的蛋白质，根据其试图拯救的特定分子来转变策略。

然而，作者谨慎地指出，这些结果目前仅为计算假设，而非最终完成的药物。该系统尚未在湿实验室中进行测试，以确认生成的混合物在物理试管中是否确实有效。用于测试的数据集非常小，仅包含十八条记录，这限制了目前研究结果的广泛适用性。研究人员强调，他们的工具旨在为科学家提供测试候选方案，而不是完全取代实验室工作。他们将此视为迈向未来的一步，在那个未来，计算机可以迅速将成千上万种可能的混合物缩小到少数几种最有希望的方案，从而节省数月的手动筛选时间。尽管该系统在模拟中表现出了巨大的潜力，但最终的证明将来自于物理实验，以验证这些计算机生成的配方是否确实能让脆弱的蛋白质保持稳定多年。

技术摘要：BioForm-LM

问题陈述
生物制剂（蛋白质、抗体）稳定配方的设计仍然是药物研发中的一个关键瓶颈，其特征是依赖于人工筛选、专家启发式方法以及缓慢的迭代实验室周期。存在显著的数据稀缺问题：在所有蛋白质的公开文献中，仅包含约 100–200 个真实的配方，而大多数筛选数据都是专有的。此外，现有的计算工具仅限于对固定的候选集进行评分或排序；目前尚无方法能够展示生成 de novo（从头开始）配方配方的能力。目前的生成模型专注于小分子（SMILES）或蛋白质序列，而针对配方设计的工具则缺乏生成能力。

方法论
BioForm-LM 是一个三阶段生成系统，旨在解决数据稀缺和配方设计缺乏生成能力的问题。它结合了机制模拟、上下文内少样本学习（in-context few-shot learning）和物理信息解码。

机制模拟器（预训练数据生成）：
一个基于物理的正向模型生成了 $10^5$ 个合成训练三元组，即（蛋白质描述符，配方） $\to$ 稳定性得分。该模拟器编码了两个物理组成部分：
- DLVO 胶体理论： 计算相互作用能（ $U_{DLVO}$ ），该能量基于静电力和范德华力，并受 pH 值、离子强度和缓冲液物种的调节。
- Lumry–Eyring 聚集动力学： 模拟聚集速率（ $k_{agg}$ ），并根据文献中的差示扫描荧光法（DSF）数据进行校准。
  稳定剂效应（如海藻糖、蔗糖）基于优先水合作用和渗透剂拥挤效应通过启发式方法应用。
上下文内生成式 Transformer：
一个小型仅解码器 Transformer（10–150M 参数）在合成语料库上进行预训练。配方被标记化为 199 个离散标记的序列，包括缓冲液物种、pH 范围、离子强度范围和稳定剂浓度，并以蛋白质描述符（分子量 MW、等电点 pI、基线 $T_m$ ）为条件。
- 推理： 对于一种新型蛋白质，模型执行上下文内学习。它将来自公开文献的 $K=3–10$ 个真实稳定性测量值作为前缀上下文提供。随后，模型自回归地生成 $N$ 个候选配方，无需任何梯度更新（权重冻结），从而有效地将贝叶斯自适应归约为前向传播过程。
物理信息批判器与 Best-of- $N$ 解码：
一个轻量级的批判器（一个从机制模拟器蒸馏出的两层 MLP）对 $N$ 个生成的候选者进行重新排序。该批判器最小化相对于模拟器在留出合成数据上的均方误差。系统采用 best-of- $N$ 解码，选择批判器得分最高的候选者，以确保输出保持在物理上合理且与真实数据一致的区域。

核心贡献

首个生成式配方系统： BioForm-LM 是第一个将生成式语言模型应用于生物制剂配方的研究，实现了从仅仅对现有配方进行排序到提出新的 de novo 配方的跨越。
新颖架构： 它将机制模拟器、上下文内 Transformer 和物理批判器集成到一个统一的“从模拟到现实”（sim-to-real）流水线中，用于离散配方设计。
少样本自适应： 该系统展示了在极端数据稀缺情况下的自适应少样本生成能力，仅需 3–10 个真实数据点即可针对新型蛋白质进行专业化处理。
开放基准： 作者引入了 BioFormBench，这是一个由 18 条文献挖掘的配方记录（涵盖 IgG、scFv 和 Fab 蛋白质）组成的精选数据集，用于严格的留一蛋白质（LOPO）评估。

结果
使用 LOPO 交叉验证在 BioFormBench 上进行评估：

Recall@10： BioForm-LM 实现了 0.167 的 recall@10，优于随机森林基准（0.080）和 SVM（0.050）。
覆盖度： 模型覆盖了 35.3% 的离散化配方空间，比随机采样（7.5%）高出 4.7 倍，表明其学习到了潜在的物理结构而非无向搜索。
校准： 模型的校准效果在不同蛋白质之间表现不一。值得注意的是，在仅使用三个上下文示例的情况下，它在留出的 scFv (P2) 上实现了完美校准（Spearman $r=1.0, p=0.0$ ）。相反，IgG (P1) 则表现出探索模式（ $r=-0.60$ ），即以牺牲秩相关性来换取更广泛的覆盖度。
消融实验： 移除上下文内自适应会导致 recall@10 下降 67%，而移除物理批判器会导致下降 33%，证实了这两个组件都是必不可少的。
多样性： 生成的候选者在不同蛋白质之间保持了高度的多样性（平均成对距离 $\approx 0.404$ ），避免了模式崩溃。

意义与声明
论文声称，BioForm-LM 证明了将机制预训练与上下文内自适应相结合，是实现数据昂贵且稀缺领域生成式设计的可行路径。

实际影响： 该系统可以在数秒内提出 50 个基于物理原理的候选方案，有望将识别稳定配方的时间从数月缩短至数天，从而加速治疗进程并降低成本。
谦逊态度与局限性： 作者明确指出该基准测试是初步的（18 条配方），并且尚未进行湿实验验证。生成的配方是计算假设，旨在用于实验筛选，而非直接部署的成品配方。在 scFv 上的完美校准被视为实验测试的动机，而非替代实验。
未来路线图： 当前的优先任务是将基准测试扩展到 100 多条记录，并寻求湿实验验证。中期目标包括用分子动力学模拟器取代启发式物理模型，并将目标扩展到免疫原性和可制造性。

技术摘要：BioForm-LM

类似论文