ProteinMPNN：基于消息传递神经网络的蛋白质序列设计方法综述

发表于 | 分类于 ，
解读 Dauparas 等 Science 2022 工作：ProteinMPNN 的原理、架构、训练策略、性能与典型应用场景。

1. 引言与问题背景

给定一条目标三维骨架（通常以主链坐标表示），蛋白质序列设计（protein sequence design）要回答的问题是：应填入怎样的氨基酸序列，才能使该序列在物理上稳定地折叠成（或组装成）所给定的结构形态。它与从序列预测结构的结构预测方向相反，因此常被称为逆向折叠（inverse folding）。在深度学习兴起之前，大量可实验验证的从头（de novo）设计依赖 Rosetta 等基于物理能量与侧链 rotamer（离散侧链构象库）搜索的方法；而结构预测领域已被 AlphaFold 等模型深刻改写之后，序列设计同样需要兼顾速度、可扩展性、多链与对称约束以及对不完美骨架的鲁棒性。

ProteinMPNN（Protein Message Passing Neural Network）由 Dauparas 等发表于 Science（2022），由华盛顿大学蛋白质设计研究所（Institute for Protein Design）等团队提出，是一套面向广泛设计任务的深度序列设计框架：在保持计算极轻量的同时，在计算机内指标与湿实验上均表现出显著优势。

逆向折叠与结构预测方向对照（科普动漫风示意图，非论文原图）

段末注释：逆向折叠指由结构反推序列；从头设计指不直接拷贝天然序列模体的全新拓扑与序列设计。

2. 核心思想：把骨架变成图，把序列生成变成条件建模

ProteinMPNN 将输入结构视为一张图：节点为残基，边由几何近邻（例如按 Cα 的 k 近邻）定义。模型不直接枚举侧链构象，而是利用主链提供的几何与化学环境线索，学习从「局部邻域几何 → 该位点氨基酸类型」的映射；再通过自回归（autoregressive）方式逐位生成整条序列。这样把传统上昂贵的组合侧链搜索，转化为一次前向网络推理中的条件分类问题。

主链建图、k 近邻与 MPNN 消息传递直觉（科普动漫风示意图，非论文原图）

段末注释：自回归指在已生成子序列条件下依次预测下一位置；k 近邻指每个残基在图中连接空间上最近的 k 个 Cα 邻居。

3. 网络架构与输入特征

3.1 编码器：消息传递与边更新

模型骨干为消息传递神经网络（Message Passing Neural Network，MPNN）：通过多层节点与边的信息聚合，把局部几何上下文编码为每个残基的隐表示。论文在先前 MPNN 序列设计工作的基础上系统做了消融：在仅主链二面角等特征之外，引入 N、Cα、C、O 以及基于主链重建的虚拟 Cβ 等原子对距离作为边特征，可显著提升在天然骨架上的序列恢复率（sequence recovery，即与真实天然序列一致残基的比例）；再在编码器中引入边更新（edge updates），使边表示也可迭代 refinement，与更丰富几何特征组合后进一步带来增益。

段末注释：MPNN 指在图上沿边传递并聚合消息的神经网络范式；序列恢复率衡量模型在固定骨架上“猜回”天然序列的能力，是常用的离线评测指标之一。

3.2 邻域尺度

论文系统扫描了 16、24、32、48、64 等 Cα 近邻数，发现性能在约 32–48 个邻居处趋于饱和。这与「序列–结构映射」主要由局部邻域几何决定的经验一致，也说明全连接式全局注意力并非此任务的必要条件——局部图结构已提供较强归纳偏置。

3.3 解码器：随机解码顺序（order-agnostic）

早期自回归模型常固定从 N 端到 C 端解码。ProteinMPNN 改为在训练时对解码顺序做随机排列采样，使模型在推理时可按任务需求选择顺序。其直接收益包括：

  • 固定片段上下文：例如结合子设计（binder design）中靶蛋白序列已知、仅设计结合面周边时，可让已知区先被“解码/给定”，未知区在完整上下文下生成。
  • 与对称、重复单元、多状态设计兼容：下文单独说明。

固定 N→C 与随机解码顺序、先固定已知片段再设计界面（科普动漫风示意图，非论文原图）

段末注释：结合子指为结合某靶标而设计的蛋白质；固定靶序列、只设计界面属于常见工业与科研场景。

4. 多链、对称与多状态设计

4.1 多链与链序等变

对寡聚体与异源复合物，模型在相对位置编码上保留每条链内部的局域性（论文将链内相对位置编码截断在 ±32 残基量级量级），并加入是否同链的二值特征，以区分链内与链间相互作用。这样在统计意义上对「链的标签顺序」更稳健，适配 PDB 中常见的同源/异源组装。

4.2 位置耦合（tied positions）与对称

对 C2 同源二聚体等情形，需要链 A 与链 B 在对应索引处取相同氨基酸。实现上可对对称相关位置同时给出 logits 并做组合（例如平均 logits 后联合采样），从而在一次推理中强制序列对称性。该机制同样适用于重复蛋白（repeat protein）中重复单元之间的序列 tying，以及同时施加环状对称与单元内重复的更复杂约束。

同源二聚体对称位点 tying：平均 logits 后联合采样（科普动漫风示意图，非论文原图）

4.3 多状态与显式正负加权

若希望单条序列兼容多个目标构象（multi-state design），可对不同骨架状态分别得到 logits，再做线性组合（系数可为正或负）以同时抬高某些状态、压低另一些状态。该灵活性把序列设计从「对单一静态结构最优」推广到「对一组构象流形或切换路径更鲁棒」。

段末注释：logits 指 softmax 前的非归一化分数；对多状态平均/加权 logits 是一种工程上简洁的多目标折衷。

5. 训练数据与训练噪声

5.1 训练集构建

最终版 ProteinMPNN 使用截至 2021-08-02 的 PDB 中、由 X 射线或冷冻电镜（cryo-electron microscopy，cryo-EM）解析且分辨率优于 3.5 Å、总残基数小于 10000 的组装体；序列按 30% 序列同一性聚类（mmseqs2）以减轻冗余与泄漏，得到约 2.5 万 个聚类代表用于训练。

段末注释：PDB 即蛋白质三维结构公共数据库；聚类可降低同源蛋白过采样带来的虚高指标。

5.2 骨架噪声与“设计友好性”的再定义

仅追求在完美实验骨架上的最高序列恢复，并不等价于最好地服务真实设计流程：实际输入常为预测结构或带误差的模型。论文发现，对主链坐标加入小量高斯噪声（例如标准差 0.02 Å 量级）训练，会在略微牺牲无扰动 PDB 上恢复率的同时，提高在高质量 AlphaFold 模型骨架上的恢复率，并改善后续用 AlphaFold 做单序列结构回验的成功率。

进一步增大噪声（例如至 0.3 Å 量级讨论中）时，模型更关注整体拓扑而非极细微局部几何；在以 lDDT-Cα 等阈值为判据的 AlphaFold 单序列回折评测中，可显著增加高相似度预测的比例——即序列更“强编码”目标骨架。与之配套，推理时可通过温度（temperature）调节采样随机性：较高温度在几乎不显著伤害平均恢复率的前提下提高序列多样性，便于并行湿实验筛选。

训练时对骨架加噪声，鼓励模型适应预测骨架误差、更看整体拓扑（科普动漫风示意图，非论文原图）

段末注释：AlphaFold 为 DeepMind 等发展的单链结构预测模型族；lDDT（local Distance Difference Test）为局部距离一致性度量，常用于评估预测与参考结构的吻合程度。

6. 计算机内性能要点

  • 与 Rosetta 对比：在约 402 条单体测试骨架上，PackRotamersMover 一轮 Rosetta 固定骨架设计与 ProteinMPNN 相比，ProteinMPNN 总体序列恢复约 52.4% 对 32.9%，且在从核心到表面的不同埋藏度区间均更高；计算时间上对 100 残基量级示例约为 1.2 秒 对 4.3 分钟（论文报告的数量级）。
  • 寡聚体：在 690 单体、732 同源寡聚、98 异源寡聚测试集上，整体中位数恢复分别约 52%、55%、51%；同源寡聚体中「对称相关位置 logits 平均」优于独立设计或仅平均概率。
  • 质量排序：平均对数似然（模型给出的序列在给定结构下的打分）与恢复率在不同温度下呈强相关，可用于快速筛选候选序列。

段末注释：Rosetta 为经典蛋白质建模与设计软件套件；此处对比的是论文设定下的固定骨架组合侧链设计流程，非所有 Rosetta 工作流的普适结论。

7. 湿实验与应用实例（论文内）

下列案例均来自原文系统表征，强调「在固定原设计骨架上仅替换序列」的 rescue（挽救）范式，以突出序列设计方法的边际贡献。

  1. AlphaFold 幻觉（hallucination）骨架：对 AF 优化得到的非常规拓扑骨架，原始 AF 伴随序列在大肠杆菌中大多难溶；换用 ProteinMPNN 重新赋序列后，可溶性表达与中位产量显著提升，尺寸排阻色谱（Size Exclusion Chromatography，SEC）显示更多样品达到目标寡聚态；其中一例单体获得晶体结构（PDB 8CYK），与目标骨架高度一致（论文报告约 2.35 Å Cα RMSD / 130 残基量级）。
  2. 环状同源寡聚体：多例环状寡聚体经晶体学或 cryo-EM 验证，骨架与设计模型接近（详见原文与配套工作）。
  3. 重复蛋白 DHR82：对 Rosetta 重复单元设计不佳的骨架，使用 tying 约束后经 MPNN 序列挽救，AlphaFold 单序列模型与实验行为改善。
  4. 同时施加环状与重复对称：Rosetta 序列组可溶性约 40% 且 SEC-MALS 无正确寡聚态；ProteinMPNN 组可溶性约 88%，约 27.7% 确认正确寡聚态，并有负染电镜平均投影与设计模型一致。
  5. 双组分四面体纳米颗粒：在 27 套骨架上设计 76 条序列，13 条表达后形成约 1 MDa 预期分子量的组装；其中一例晶体结构界面与设计模型接近（论文给出约 1.2 Å 量级骨架偏差描述）。
  6. 功能蛋白设计（Grb2 SH3 结合骨架）：Rosetta 序列未表现出预期结合；在相同骨架上经 ProteinMPNN 赋序列后，生物膜层干涉（Bio-Layer Interferometry，BLI）测得与 Grb2 SH3 结构域的强结合信号，且关键突变可消除信号，支持界面编码的特异性。

段末注释：RMSD（root-mean-square deviation）衡量叠加后坐标均方根偏差；SEC-MALS 联用光散射以估计溶液中表观分子量。

8. 典型使用场景与工程实践建议

场景 ProteinMPNN 能做什么 常见搭配与注意点
单体稳定化 / 可溶性优化 对给定骨架快速生成大量候选序列 与 AlphaFold2/ColabFold 单序列回折做预筛；注意表达宿主密码子优化仍影响产量
蛋白纳米颗粒与疫苗样颗粒 利用对称 tying 在多拷贝组装上统一序列约束 仍需实验验证颗粒均一性与免疫原性等下游指标
结合子与酶活性位点周围重塑 固定靶标或催化残基，随机顺序解码保留上下文 功能位点几何与过渡态偏好常需 Rosetta 或 RFdiffusion 等共设计流程，而非仅靠序列层
失败设计挽救 在不动骨架前提下替换序列，提高可表达与折叠概率 若骨架拓扑本身不可实现，序列层无法“无中生有”

开源实现与权重可从作者团队维护的代码仓库获取（见下节），社区中常与 RFdiffusion（骨架生成）、AlphaFold-Multimer（复合物验证）等组合使用。

段末注释：RFdiffusion 为扩散式蛋白质骨架生成模型，常与序列设计前后衔接形成“生成骨架 → 设计序列 → 结构验证”流水线。

9. 局限与概念边界

  • 不直接优化功能：ProteinMPNN 以几何相容与序列可折叠性为主目标；催化、结合亲和力、特异性、免疫原性等需额外筛选或联合其它损失/模型。
  • 输入骨架质量敏感但有噪声训练缓解：对低置信度或错误拓扑，任何逆向折叠方法都可能产生“看似合理”的序列；需结合实验或更外层生成模型修正拓扑。
  • 指标解释：高序列恢复率不等于设计更“好”，天然序列未必最大化单链可折叠性；论文亦展示 MPNN 序列在 AlphaFold 单序列设置下有时比天然序列更“易预测”回原生骨架。

10. 小结

ProteinMPNN 通过 （1） 丰富主链几何特征 + 边更新 MPNN 编码器、（2） 随机解码顺序带来的任务灵活性、（3） 多链与对称 tying、以及 （4） 面向预测骨架的训练噪声与采样温度策略，把蛋白质序列设计推进到「快速、可扩展、实验可转化」的工程区间。其最大价值在于与当代结构预测与骨架生成工具形成闭环，使研究者能以秒级成本探索大量序列假设，再用实验与更高层模型逐级收敛。

参考文献与链接

  1. Dauparas J, Anishchenko I, Bennett N, et al. Robust deep learning–based protein sequence design using ProteinMPNN. Science. 2022;378(6615):49–56. doi:10.1126/science.add2187 PMID:36108050 PMC:PMC9997061
  2. 代码与资源（华盛顿大学 Baker 实验室维护的公开实现，以仓库说明为准）：https://github.com/dauparas/ProteinMPNN
-------------本文结束感谢您的阅读-------------