基于结构感知哈密顿动力学的高效蛋白质优化
人工智能
2026-01-19 v1
摘要
设计优化蛋白质变体的能力对生物技术和医学具有变革性潜力。由于上位效应和忽视结构约束，先前的基于序列的优化方法难以应对高维复杂性。为了解决这一问题，我们提出了 HADES，一种利用哈密顿动力学从结构感知的近似后验中高效采样的贝叶斯优化方法。利用模拟物理运动中的动量和不确定性，HADES 能够实现提议向有前景区域的快速转移。引入了位置离散化过程，以从这种连续状态系统中提出离散的蛋白质序列。后验代理由一个两阶段编码器-解码器框架驱动，用于确定突变邻居之间的结构与功能关系，从而学习一个平滑的景观以供采样。大量实验表明，我们的方法在大多数指标上的计算机模拟评估中优于 SOTA 基线。值得注意的是，我们的方法通过利用蛋白质结构与序列之间的相互约束提供了独特优势，促进了具有相似结构和优化性质的蛋白质序列的设计。代码和数据已在 https://github.com/GENTEL-lab/HADES 公开。
引用
@article{arxiv.2601.11012,
title = {Efficient Protein Optimization via Structure-aware Hamiltonian Dynamics},
author = {Jiahao Wang and Shuangjia Zheng},
journal= {arXiv preprint arXiv:2601.11012},
year = {2026}
}