arXiv cs.AI· Yikun Zhang, Minghao Guo, Guangxue Xu, Peter Yichen Chen, Wojciech Matusik, Wengong Jin, Jingjing Chai, Kaiyi Jiang·· 10 小时前AI 评分58
ProTEUS：面向闭环蛋白质进化的突变级世界模型
ProTEUS: A mutation-resolved world model for closed-loop protein evolution
AI 导读
ProTEUS 是一个突变级世界模型，用于闭环蛋白质进化，基于深度突变扫描数据预训练，通过 MutationFormer 学习序列、进化与结构信息的联合表示。作者还开发了物理约束的全原子预测器，速度比 AlphaFold3 提升超过 10 倍。在醛脱氢酶和果聚糖蔗糖酶两项闭环多目标工程实验中，获得的变体活性比野生型高 10 倍以上。
正文 · AI 翻译
摘要：蛋白质工程需要在崎岖的适应度景观中导航，其中微小的序列变化可能产生巨大的功能差异，但实验筛选只能采样序列空间的一小部分。因此，一个核心挑战是如何在计算机中高效地遍历巨大的突变组合空间。我们提出了 ProTEUS，一个用于闭环蛋白质进化的突变分辨世界模型。ProTEUS 在深度突变扫描测定上预训练，使用 MutationFormer（一种突变偏置注意力架构）学习序列、进化和结构信息的联合表示。变体被表示为该联合潜在空间中的状态，突变定义动作，其功能后果被预测。为了支持对大量突变体的探索，我们开发了一种快速、物理约束的全原子预测器，利用显式几何约束强制执行，实现比 AlphaFold3 快 10 倍以上的速度，并保证物理有效性。最后，ProTEUS 通过闭环实验反馈来改进其对蛋白质活性的预测和理解，以引导进化朝向所需表型。ProTEUS 在零样本和监督微调突变预测任务中均超越了现有模型。我们在醛脱氢酶和果聚糖蔗糖酶的两个闭环多目标工程活动中实验证明了其效用，产生的变体活性比野生型高 10 倍以上。ProTEUS 提供了一个世界模型框架，将突变结果的虚拟评估与实验学习连接起来，以实现高效的蛋白质进化。
| 评论： | 64 页，5 张主图，5 张补充图 |
| 主题： | 生物分子（q-bio.BM）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.13348 [q-bio.BM] |
| （或 arXiv:2611.13348v1 [q-bio.BM] 为此版本） | |
| https://doi.org/10.48550/arXiv.2611.13348 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Minghao Guo [查看电子邮件]
[v1]
2026 年 11 月 9 日星期一 23:19:33 UTC（32,455 KB）
来源：arXiv cs.AI · arxiv.org