蛋白构象集合字母表：ENSEMBITS

蛋白结构标记化器（PST）是蛋白语言建模、功能预测和演化分析中的核心工具。然而，现有 PST 仅捕捉静态结构的局部几何，无法捕获蛋白ensemble 中揭示的相关运动和备选构象状态。本文介绍 Ensembits——首个针对蛋白构象集合的标记化器。Ensembits 解决动态化标记化中的核心挑战：跨构象 deriving 有信息的几何描述、变大小 ensemble 的排列不变性编码，以及克服动态数据稀疏性。我们采用基于残差 VQ-VAE 的框架，并以帧蒸馏目标在大型分子动力学语料库上训练，Ensembits 在 RMSF 预测上超越所有相关方法，在基于 per-residue 运动幅度的基于标记的 ANOVA 测试中表现为最强的独立结构标记化器。尽管使用的数据量远少于静态标记化器，Ensembits 在 EC、GO、结合位点/亲和力预测以及零样突变效应预测中均可匹配或超越静态标记化器。值得注意的是，蒸馏目标使 Ensembits 能够从单个预测结构预测动态标记，从而缓解动态数据稀疏性。随着领域从静态结构预测迈向 ensemble 生成，Ensembits 提供了将动态信息引入蛋白语言建模与设计所需的离散词汇表。