EnerBridge-DPO：基于马尔可夫桥和直接偏好优化的能量引导蛋白质逆折叠
机器学习
2025-06-12 v1 人工智能
摘要
设计具有最优能量稳定性的蛋白质序列是蛋白质逆折叠中的关键挑战，因为当前的深度学习方法主要通过最大化序列恢复率进行训练，往往忽略生成序列的能量。本工作旨在通过开发一种直接生成低能量、高稳定性蛋白质序列的模型来克服这一局限。我们提出了 EnerBridge-DPO，一种专注于生成低能量、高稳定性蛋白质序列的新型逆折叠框架。其核心创新在于：第一，将马尔可夫桥与直接偏好优化 (DPO) 相结合，其中基于能量的偏好被用于微调马尔可夫桥模型。马尔可夫桥从一个信息丰富的先验序列启动优化，为 DPO 提供一个结构上合理的序列候选池。第二，引入显式的能量约束损失，增强了 DPO 基于先验序列的能量驱动特性，使模型能够有效地从丰富的先验知识中学习能量表示，并直接预测序列能量值，从而捕捉能量景观的定量特征。我们的评估表明，EnerBridge-DPO 能够设计出能量更低同时保持与最先进模型相当序列恢复率的蛋白质复合物序列，并准确预测不同序列之间的 ΔΔG 值。
引用
@article{arxiv.2506.09496,
title = {EnerBridge-DPO: Energy-Guided Protein Inverse Folding with Markov Bridges and Direct Preference Optimization},
author = {Dingyi Rong and Haotian Lu and Wenzhuo Zheng and Fan Zhang and Shuangjia Zheng and Ning Liu},
journal= {arXiv preprint arXiv:2506.09496},
year = {2025}
}