arXiv cs.AI· Lisheng Zhang, Qingsong Li, Zinan Xie, Yanting Yang, Qikui Yang, Peng Lu, Zhican Fu, Wentao Cui, Runtong Hou, Zhengwei Xie·· 10 小时前AI 评分44
FoldScape：从序列预测蛋白质任意折叠阶段的结构
Predicting protein structures at any folding stage from sequence
AI 导读
FoldScape 是一个序列条件深度学习框架，可按指定折叠分数 Q 生成蛋白质构象系综，训练数据为 10,000 条蛋白质序列的约 100 万个构象。在匹配样本对比中，其构象空间覆盖率在回转半径、天然接触分数 Q 和二级结构分数上分别达到 0.989、0.722 和 0.877，而 AlphaFold 3 系综仅为 0.05、0.05 和 0.10。
正文 · AI 翻译
摘要：蛋白质结构预测在很大程度上聚焦于天然构象，使得未折叠状态、折叠中间体和天然结构构成的连续谱难以获取。我们提出 FoldScape，一个以序列为条件的深度学习框架，用于在指定的折叠分数 $Q$ 下生成蛋白质构象系综。FoldScape 基于来自 10,000 条蛋白质序列的约一百万个构象进行训练，融合了粗粒化折叠轨迹与全原子机械去折叠轨迹。它通过残基间距离的层次化滑动窗口回归、链级组装以及整流流解码器来重建三维 $C_\alpha$ 链。通过以折叠进程为条件，FoldScape 在推理时无需针对特定蛋白质的分子动力学模拟，即可生成从未折叠状态经中间体到天然态结构的构象。在匹配样本比较中，FoldScape 在回转半径、天然接触分数 $Q$ 和二级结构分数上的构象空间覆盖中位数分别达到 0.989、0.722 和 0.877，而种子变化的 AlphaFold 3 系综分别为 0.05、0.05 和 0.10。覆盖优势在所评估的蛋白质中保持一致，且对分箱选择稳健。重建精度在折叠轨迹的各评估阶段大致保持稳定，步长为 1 的裁剪-叠加推理可将预测扩展到比单次通过上限长数倍的链。对机械去折叠轨迹的分析显示了残基分辨的通路、在不同拉伸速度下可重现的以延伸量为条件的可观测量，以及部分去折叠链中几何上连贯的片段。FoldScape 将基于序列的结构预测从单一折叠终点扩展到跨蛋白质折叠的可控构象系综生成。
| 学科： | 生物分子（q-bio.BM）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.04287 [q-bio.BM] |
| （或 arXiv:2611.04287v2 [q-bio.BM] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.04287 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Lisheng Zhang [查看邮箱]
[v1]
2026年11月3日星期二 04:15:20 UTC（7,583 KB）
[v2]
2026年11月4日星期三 03:46:56 UTC（7,583 KB）
来源：arXiv cs.AI · arxiv.org