Multi-state Protein Sequence Design with DynamicMPNN¶
会议: ICLR 2026
OpenReview: https://openreview.net/forum?id=4ptHfbHG3D
代码: 待确认
领域: 计算生物学 / 蛋白质设计（逆折叠）
关键词: 多构象设计, 逆折叠, ProteinMPNN, 几何深度学习, GVP-GNN, AlphaFold3, 多态蛋白
一句话总结¶
DynamicMPNN 是首个"显式"多态逆折叠模型，直接学习一条序列对多个构象的联合条件分布 \(p(Y|X_1,\dots,X_m)\)，在多态蛋白基准上把 ProteinMPNN 的序列恢复率提高 12%、decoy-归一化 RMSD 自洽性提高 31%。
研究背景与动机¶
领域现状：结构生物学长期被"一序列、一结构、一功能"范式主导，PDB 里堆满了静态晶体结构，催生了 AlphaFold（结构预测）和 ProteinMPNN（逆折叠）这类高精度模型。ProteinMPNN 因推理便宜、实验成功率稳健，已成为应用蛋白设计的事实标准。
现有痛点：但很多关键生物过程——酶催化、膜转运、变构、信号开关——依赖能在多个构象间切换的蛋白（transporter 开/闭、hinge 域运动、metamorphic 变构折叠）。现有多态设计方法全是 post-hoc 聚合：先对每个单构象独立跑逆折叠，再把 logits 做平均（ProteinMPNN-MSD）或几何平均概率（Multi-state ESM-IF）、或扩散步上平均（ProteinGenerator）。这类方法实验成功率惨淡——ProteinGenerator 多态任务的 in silico 成功率仅 0.05%，而单态任务有 2–10%。
核心矛盾：logit 平均会偏向"对单一构象高度偏置、平均后仍高"的序列，而不是"对两个构象都中等满足"的序列——后者才是真正的多态解。换句话说，先单态再聚合这条路从根上就和多态目标错位。再叠加多构象数据稀缺、基准薄弱、折叠模型预测替代态能力差，导致 ML 多态设计长期落后于单态。
本文目标：把"聚合"换成"联合学习"——训一个直接吃整个构象集合、输出同时满足所有结构约束序列的模型；同时配套造出 ML-ready 多构象数据集和一个基于 AlphaFold3 的多态自洽性基准。
核心 idea：[显式联合建模] 用一个多态 GNN 编码器把 \(m\) 个构象编码进共享隐空间、pool 成单一表征，再自回归解码出序列，让序列分布天然同时受多个结构约束，而非事后拼凑。
方法详解¶
整体框架¶
DynamicMPNN 的逆折叠流程分三段：先把蛋白每个功能态（连同其结合伙伴）独立编码进一个共享的 SE(3)-等变隐空间，再把待设计链在各构象上的 embedding 跨构象 pool 成单一表征，最后自回归地解码出一条同时兼容所有构象的氨基酸序列。评估端则用 template-based AlphaFold3 反向验证：把目标结构作为模板喂给 AF3，看设计序列能否复现该构象。
flowchart LR
A[构象集合 X1..Xm<br/>+ 结合伙伴] --> B[提取骨架特征<br/>k-NN 图 k=32]
B --> C[独立编码器通道<br/>GVP-GNN ×8 层]
C --> D[Deep Set Pooling<br/>跨构象聚合]
D --> E[自回归序列解码器<br/>GVP-GNN ×8 层]
E --> F[预测序列 Y]
F -.AF3 模板自洽.-> G[RMSD/TM/pLDDT<br/>decoy 归一化]关键设计¶
1. 联合条件分布建模：从"聚合"到"共同求解" 这是全文立论的根基。单态逆折叠建模 \(p(Y|X)\)，而 DynamicMPNN 直接学习联合条件分布并用自回归分解：
每一步预测残基 \(y_i\) 时都同时看到完整构象集合 \(\{X_1,\dots,X_m\}\) 编码后的共享表征，而不是先分别算再平均。这正面回避了 logit 平均偏向单构象的问题——模型被迫找"对所有态都中等满足"的序列。架构上沿用 RNA 逆折叠的 gRNAde 框架，编码器/解码器各 8 层 SE(3)-等变 GVP（Geometric Vector Perceptron）层，scalar 与 vector 特征沿独立通道做 O(3)-等变消息传递：\(m_i,\vec m_i=\sum_{j\in N_i}\mathrm{MSG}((s_i,\vec v_i),(s_j,\vec v_j),e_{ij})\)，再 \(s_i',\vec v_i'=\mathrm{UPD}((s_i,\vec v_i),(m_i,\vec m_i))\)，靠二面角这种反射敏感输入特征使整体 SO(3)-等变。
2. 跨构象 pooling 与 DSS 变体：可控的表达力–效率权衡 两个构象编码完如何融合决定了表达力。基础版 DynamicMPNN 用 Deep Set pooling——对构象顺序不变、不增参数、只更新节点特征，简单高效。进阶版 DynamicMPNN + DSS 在每层后用 Deep Symmetric Set 模块做 scatter/gather：把所有设计链的节点 embedding 平均、过 GVP、再残差加回各通道，允许更丰富的构象间交互、同时更新节点和边特征，代价是算力上升。实验上 DSS 带来的提升往往边际，作者因此把 Deep Set 作为默认，体现了"先把简单方案做对"的取向。
3. 异质序列处理：榨干 PDB 的构象多样性 真正多构象的 NMR 数据只覆盖 21% CATH 超家族，远不够训模型。作者转而利用 PDB 里序列冗余——把 ≥80%（PDB80）或 ≥95%（CoDNaS）相似度的链聚成簇当作同一蛋白的不同构象，拿到 46k 量级簇、覆盖 75% 超家族。但同簇链序列并不完全相同，对齐会引入 gap token，X-ray 结构又常有未解析残基，导致集合长度/缺失/gap 各异。处理协议是：簇内成员先做序列对齐再特征化、配对复合物独立编码、gap 位置 mask 掉不参与消息传递、pooling 时把 gap-node embedding 置零后再堆叠聚合。训练时还对与 ground truth 相似度 >70% 的链 mask 掉序列信息防泄漏。这套"异质集合"处理是把数据稀缺问题转化成数据工程问题的核心。
4. Template-based AF3 多态自洽基准与 decoy 归一化 评估比建模更棘手：折叠模型通常只预测一个主导态。作者借 Roney & Ovchinnikov 的思路，给 AF3 喂目标构象作模板，把"预测"变成"兼容性评估"——对每条设计序列跑 2 次 AF3（每个态各作一次模板），测 \(\mathrm{AF3_{template}}(Y,X_k)=\mathrm{RMSD}(\mathrm{AF3}(Y,X_k),X_k)\)。为剥离模板自身带来的偏置，引入 decoy 归一化：用结构差异极大（TM-score < 0.4）的 decoy 当模板跑同一序列，比值 \(\mathrm{RMSD_{decoy}}=\mathrm{AF3_{template}}(Y,X_k)/\mathrm{AF3_{template}}(Y,D)\) 越小说明序列越是"特异地"折成目标态而非对任意骨架都兼容。再配 pLDDT 置信度，以及用 BioEmu 这类构象系综生成模型做正交评估，构成一套较完整的多态成功率度量。
实验关键数据¶
数据集：CoDNaS（46,033 簇）+ PDB80（46,924 簇），过滤掉与测试/验证 TM-score>0.4 或序列相似度>30% 的簇防泄漏，最终训练集 44,243 对构象。基准 96 个生物相关的 metamorphic/hinge/transporter 蛋白（取 inter-state RMSD 最高者作测试集）。
主实验：序列恢复（Table 3）¶
| 模型变体 | 序列恢复率 (%) ↑ |
|---|---|
| Combined Pretraining + Multi Finetuning | 42.7 (8.8) |
| Single Pretraining + Multi Finetuning | 42.1 (8.3) |
| Combined Training | 41.0 (8.5) |
| ProteinMPNN MSD（基线） | 38.0 (11.0) |
| Single chain 2-state | 37.4 (9.0) |
| Single Training（仅单态） | 27.1 (9.4) |
最佳变体比 ProteinMPNN-MSD 高约 12%（42.7 vs 38.0）。
自洽性与消融（Table 1，n=96）¶
| 模型变体 | RMSD (Å) ↓ | TM-score ↑ | Decoy-Norm RMSD ↓ |
|---|---|---|---|
| Combined Training | 2.35 | 0.870 | 0.124 |
| Combined Training + DSS | 2.56 | 0.862 | 0.131 |
| Sampled Pair Training | 2.29 | 0.872 | 0.125 |
| Single Training（仅单态） | 8.16 | 0.652 | 0.348 |
Combined vs Single 的 decoy-归一化 RMSD 从 0.348 降到 0.124（相对降幅约 31%），是论文标题数字的来源；TM-score 自洽提升约 8%。BioEmu 正交评估（Table 5）也一致：Combined 的 TM-score 0.623 vs Single 0.394，TMS0.7 成功率 37.5% vs 17.7%。
关键发现¶
- 多态数据是关键：Single Training（只喂单态对）几乎全面崩盘（RMSD 8.16、恢复率 27.1%），证明显式多态信号、而非更大模型，才是性能来源。
- 简单 pooling 够用：DSS 在多数指标上不如朴素 Deep Set，验证了"昂贵的构象间交互收益边际"。
- 联合训练 > 后处理聚合：在与 ProteinMPNN-MSD 的可比子集（n=61，Table 4）上，Combined 的 decoy-norm RMSD 0.129 vs 0.187，全面胜出。
亮点与洞察¶
- 范式转变讲得透：把"post-hoc 聚合天生偏向单构象"这一根因点破，并用联合条件分布正面解决，立论干净。
- 数据工程巧：用 PDB 序列冗余（80%/95% 相似度聚簇）把稀缺的多构象数据扩到 46k 量级，异质序列 gap-mask 处理让"近似同源"也能用，是真正落地的关键。
- 基准本身是贡献：template-based AF3 + decoy 归一化把"折叠模型只预测主导态"这个评估难题绕开，提供了多态设计急需的可量化自洽指标。
- 架构迁移得当：从 RNA 逆折叠的 gRNAde 借多态 GNN，复用成熟 GVP-GNN，工程风险低。
局限与展望¶
- 主要在两态：架构支持任意构象数，但训练/评估几乎都聚焦 2-state；k=3/5 仅在单链 setting 下小规模消融，多链 k>2 留作未来工作。
- 缺湿实验：全靠 AF3/BioEmu 的 in silico 自洽性，未做实际表达折叠的实验验证——而多态设计的真正考验恰恰在湿实验成功率。
- 评估依赖折叠模型：AF3 模板法本身受 AF3 对替代态预测能力的限制，decoy 归一化只是缓解而非根除偏置。
- 连续构象未覆盖：内在无序蛋白（IDP）等连续构象景观被显式排除，方法仅适用于有限离散态的球状多态蛋白。
相关工作与启发¶
- 逆折叠基线：ProteinMPNN、ESM-IF——单态逆折叠的标杆，本文的直接对比对象。
- 多态聚合方法：ProteinMPNN-MSD（logit 平均）、Multi-state ESM-IF（概率几何平均）、ProteinGenerator（扩散步聚合）——本文要超越的 post-hoc 范式。
- 架构源头：gRNAde（RNA 多态逆折叠）提供多态 GNN 骨架；GVP-GNN 提供等变消息传递。
- 评估工具：AlphaFold3（模板机制）、BioEmu（构象系综生成）、Roney & Ovchinnikov 的 decoy 自洽思想。
- 启发：当目标本质是"多约束联合满足"时，与其训单约束模型再聚合，不如把多约束直接写进条件分布——这一思路对多目标分子设计、多视角生成等任务普适。
评分¶
- 新颖性: ⭐⭐⭐⭐ 首个显式多态逆折叠模型，把"聚合 → 联合建模"的范式转变讲清并落地，配套数据集与基准都是实打实的增量。
- 实验充分度: ⭐⭐⭐ 消融充分、多评估器交叉验证，但全为 in silico，缺湿实验，且 k>2 与多链组合覆盖不全。
- 写作质量: ⭐⭐⭐⭐ 动机与根因分析清晰，方法与评估部分逻辑严密，图表组织得当。
- 价值: ⭐⭐⭐⭐ 多态蛋白设计是 bio-switch/biosensor/酶工程的核心瓶颈，方法 + 数据 + 基准三件套对社区有实际推动价值。