FoldMapper绕开序列搜索的循环:用形状检索同源结构,TED上best-of-100序列恢复率达60.0%
核心概要
蛋白质逆折叠要从骨架设计出能折叠回该结构的氨基酸序列,而以往利用进化信息必须先用待设计序列去搜多序列比对,形成循环依赖。FoldMapper改用Foldseek按形状检索结构同源物,把命中位点的氨基酸身份按bit score累加成逐残基的结构位置特异性频率谱,再由多尺度图编码器先做稀疏局部编码、后接稠密结构消息传递解码。在TED结构上best-of-100序列恢复率为60.0%,高于表中其他方法43.2%至56.3%的区间,同时序列多样性为20.1%。
深度剖析
逆折叠模型现在可以从结构本身取得进化信息,而不必先有一条待设计的序列去构建多序列比对。 此前的深度学习方法只利用骨架几何特征,进化统计量则要从以查询序列搜出的多序列比对中读取,而逆折叠中的查询正是待设计序列,依赖因此成环。 在TED结构上,FoldMapper的best-of-100序列恢复率为60.0%,表中其他方法为43.2%至56.3%;其序列多样性为20.1%,高于ESM-IF的12.6%和LM-Design的16.1%。
做法是先用形状检索找到结构同源物,再把它们的氨基酸身份汇成逐残基的频率谱,作为解码的起点。 Foldseek以仅比较3Di状态的模式检索,不使用氨基酸身份,因此检索步骤本身不带序列偏好;命中按bit score加权累加为L×21计数矩阵并逐行归一化,得到结构位置特异性频率谱(SPSF)。 多尺度图编码器在同一骨架上建两张k近邻图,第一阶段用k=30的稀疏图把谱编码成节点特征,第二阶段用k=48的稠密图在几何上细化并自回归解码;在PDB集上移除该谱使恢复率从64.9%降到52.2%。
启示与展望
评估覆盖TEDMonoBench的10,000个TED结构域与2,126条PDB链、PPIBindBench的576个异二聚体复合物,以及758个RFdiffusion去 Novo 骨架(30个单体、571个结合物、157个对称寡聚体);这些结果说明的是上述基准与设置下的表现。
无同源命中时谱为零向量,恢复率降至25%,模型退化为纯结构预测;肽结合物在各消融间变化不超过2个百分点,作者将其归因于短片段很少检索到有信息量的同源物;对称寡聚体上即使FoldMapper的均值与最优scTM之间也相差0.374,结果由少数可折叠样本主导。
