基于树状思考和嵌入空间流匹配的蛋白质思考：用于蛋白质-蛋白质相互作用发现的可解释推理

蛋白质-蛋白质相互作用(PPI)支配了近乎所有细胞过程，但用于识别结合伴侣的计算方法通常产生排名预测而无机理依据。这构成了采纳的根本障碍，因为生物学家无法评估预测是否反映真正的生化洞察或虚构相关性。我们提出了\textbf{蛋白质思考}，一个将 PPI 发现重新表述为具有显式推理的可解释搜索问题的框架。该系统将结合证据分解为四个生物学上有意义的信号：序列相似性反映进化关系，结构互补捕捉几何适配，界面平衡，化学兼容性编码残基水平的相互作用。与将这些信号折叠成不透明评分不同，我们通过透明价值函数保留它们的 individual 贡献，以实现排名和审计。为了高效地导航大型候选空间，我们引入基于假设引导的熵正则化树状思考搜索。微调的语言模型从嵌入派生特征生成搜索指令，将候选对象分类为高优先级、探索性或可跳过。这些指令条件化一个布尔玻尔兹政策，在剥削与熵驱动探索之间进行平衡，而假设感知修剪防止对有前景候选对象的过早放弃。对于存在评分不一致的候选对象，假设条件化的嵌入空间流匹配将蛋白质嵌入 transported toward binder 流 manifold。在 SHS148k 数据集上，蛋白质思考实现了平均最佳结合者排名为 11.2，相较于熵树搜索基线的 47.7，提高了 76%；对于结合预测，训练的价值函数达到 $91.08 \pm 0.19$ Micro-F1，在同一数据集上超越了现有的 PPI 方法。