CreoPep：针对靶点特异肽的通用深度学习框架
机器学习
2026-03-05 v2 人工智能
计算与语言
摘要
靶点特异肽（如Conotoxin）具有卓越的结合亲和力和选择性，可用于离子通道和受体。然而，其治疗潜力尚未得到充分开发，主要原因在于天然变体的多样性有限且传统优化策略代际昂贵。本文我们提出CreoPep，一种基于深度学习的条件生成框架，集成掩码语言模型与渐进式掩码方案，用于设计高亲和力肽突变体并揭示新型结构 motifs。CreoPep采用集成数据增强管道，结合FoldX能量筛选和温度控制的多项式抽样，生成结构和功能多样化的肽，同时保留关键药理学特性。我们通过设计针对α7 nicotinic acetylcholine receptor的Conotoxin抑制剂，实现了电生理测定中亚微摩尔级别的活性。结构分析表明，CreoPep生成的变体既包含保守的结合模式，也包含新颖的结合模式，包括无二硫键形式，从而超越了传统设计范式。总体而言，CreoPep提供了一个稳健且可推广的平台，将计算肽设计与实验验证相结合，加速了下一代肽类治疗药物的发现。
引用
@article{arxiv.2505.02888,
title = {When Your Own Output Becomes Your Training Data: Noise-to-Meaning Loops and a Formal RSI Trigger},
author = {Rintaro Ando},
journal= {arXiv preprint arXiv:2505.02888},
year = {2026}
}
备注
Withdrawn due to a critical error discovered in the mathematical derivation and proof of Theorem 2 (Unbounded Growth) and related Lemma 2 (Compression gain lower bound). This flaw invalidates the paper's main conclusion that N2M-RSI guarantees unbounded growth, requiring a fundamental revision of the theoretical framework