Latent-X：用于 De Novo 蛋白结合器的原子级前沿模型
生物大分子
2025-07-28 v1
摘要
传统药物发现依赖于数百万候选分子的筛选，成功率较低，导致药物发现耗时耗资源。为克服这一筛选瓶颈，我们引入 Latent-X，一种全原子蛋白设计模型，实现了新的精准 AI 设计范式。给定目标蛋白表位，Latent-X 联合生成蛋白结合器和目标的全原子结构与序列，直接建模实现特定结合所必需的非共价相互作用。我们通过大量实验验证了其有效性，仅需 30-100 项设计即可针对多个目标进行测试。对于巨噬细胞肽，Latent-X 在所有评估基准目标上实现了 90% 以上的实验命中率。对于小结合器，始终能够针对所有评估基准目标产生强效候选，结合亲和力达到低纳摩尔和皮摩尔水平——相当于已获批准的治疗药物——同时在哺乳动物表达中高度特异。与 AlphaProteo、RFdiffusion 和 RFpeptides 等最先进模型在相同条件下直接比较，Latent-X 生成的结合器命中率更高、结合亲和力更佳，且唯一能创建结构上多样的结合器，包括复杂的 β-折叠。其端到端流程比现有多步骤计算管道快一个数量级。通过大幅提高 de novo 设计的效率和成功率，Latent-X 代表了对推动生物学发现的重大进展，是蛋白工程师的有价工具。Latent-X 已于 https://platform.latentlabs.com 提供，用户无需 AI 基础设施或编程即可可靠生成 de novo 结合器。
引用
@article{arxiv.2507.19375,
title = {Latent-X: An Atom-level Frontier Model for De Novo Protein Binder Design},
author = {Latent Labs Team and Alex Bridgland and Jonathan Crabbé and Henry Kenlay and Daniella Pretorius and Sebastian M. Schmon and Agrin Hilmkil and Rebecca Bartke-Croughan and Robin Rombach and Michael Flashman and Tomas Matteson and Simon Mathis and Alexander W. R. Nelson and David Yuan and Annette Obika and Simon A. A. Kohl},
journal= {arXiv preprint arXiv:2507.19375},
year = {2025}
}
备注
Robin Rombach and Alexander W. R. Nelson contributed to this work as advisors to Latent Labs. Michael Flashman contributed to this work while at Latent Labs