SwitchCraft: A Programmatic Framework for Designing State-Switching Proteins¶

会议: ICML 2026
arXiv: 2605.31236
代码: https://github.com/bjing2016/switchcraft
领域: 蛋白质设计 / 科学计算 / 结构生物学
关键词: 多态蛋白设计、Boltz-1、可微结构预测、变构调控、生物传感器

一句话总结¶

SwitchCraft 把"设计一个能在多个功能态之间切换的蛋白质"形式化为一个对组合约束求解的优化问题，通过对结构预测模型 Boltz-1 反向传播多组状态相关的损失（基序、结合、构象变化、接触），直接梯度下降优化氨基酸 logits，实现首个通用的多态蛋白计算设计框架，并在体外硅基实验中演示了正/负变构、基序切换、诱导结合、配体修饰、配体辨识与 cpGFP 荧光生物传感器的从头设计。

研究背景与动机¶

领域现状：生成式蛋白质设计当前由两条技术路线主导：一是蛋白质语言模型（PLM, 如 ProGen、ESM3），在数十亿天然蛋白序列上训练，按家族标签或 GO term 生成新序列；二是结构生成模型（RFDiffusion、Boltz-1、BoltzDesign1），在 PDB 上学习结构分布或对结构预测器反向传播，用于结合体（binder）设计和酶活性位点支架。

现有痛点：天然蛋白远不止"一个静态结构对应一个静态功能"，大量关键功能（马达蛋白沿微管行走、ATP 合酶旋转、聚合酶处理信息、血红蛋白协同结合）依赖多态动力学——蛋白要在多个构象/结合态之间精确切换。PLM 的条件只能引用已有标签，无法描述未见过的复杂新功能；结构生成器则被限定在单个静态结构上。两条路线都没法直接表达"在配体 A 存在时折叠成构象 1、在配体 B 存在时折叠成构象 2"这种规约。

核心矛盾：要么数据驱动但缺标签（PLM 路线），要么物理可控但只描述单态（结构路线）；而真正能完整表达"多个态 + 每个态的结构约束"的数据集根本不存在，导致纯数据驱动路径走不通。

本文目标：构造一个编程式（programmatic）框架，让设计者像写一段带分支的程序那样，指定任意多个状态及其各自的结构约束，让优化器自动找出能同时满足所有状态的氨基酸序列。

切入角度：作者注意到 BoltzDesign1 这类方法已经证明可以对结构预测器 Boltz-1 反向传播来设计 binder——既然单个状态可以这么做，那把多个状态的损失加在一起一起反向传播即可。Boltz-1 接受配体上下文作为输入，天然支持"同一序列在不同配体环境下折叠成不同结构"的多次前向。

核心 idea：把"序列 \(\mathbf{z}\in\mathbb{R}^{20\times L}\) 在多个折叠上下文 \(\{\mathcal{C}_s\}\) 下被 Boltz-1 折出来的结果同时满足一组损失 \(\{\mathcal{L}_n\}\)"作为优化目标，直接对 \(\mathbf{z}\) 做梯度下降，借助 straight-through estimator 把离散氨基酸 argmax 化为可微问题。

方法详解¶

整体框架¶

SwitchCraft 把多态蛋白设计拆成两个阶段：

设计规约（specification）：枚举状态 \(s=1,\ldots,N_{\text{states}}\)，每个态绑定一个折叠上下文 \(\mathcal{C}_s\)（可含小分子、金属离子、DNA、目标多肽等固定分子）；枚举损失 \(\mathcal{L}_n:\mathbb{R}^{20\times L}\to\mathbb{R}\)，每个损失依赖一个或多个状态的 Boltz-1 输出；声明设计掩码 \(\mathbf{m}\in\{0,1\}^L\) 与可选的固定基序序列 \(\mathbf{s}\)。
设计优化（optimization）：以 logits 表示的序列 \(\mathbf{z}\) 为优化变量，跑 240 步四阶段 schedule，每步把 \(\mathbf{z}\) 转成"硬-软-连续"的伪表示 \(\mathbf{z}_{\text{pseudo}}\) 喂给 Boltz-1，加总所有损失，对 \(\mathbf{z}\) 求梯度更新。

整个过程在概念上很像训练一个深度学习模型：损失就是设计目标、optimizer 就是 SGD、模型权重就是序列本身。

关键设计¶

可组合的状态-损失语言（Loss DSL）:
- 功能：把"我要设计一个在配体 X 存在时支架某基序、不存在时破坏该基序"这种自然语言规约，翻译成一组数学上良定义、可对 \(\mathbf{z}\) 求导的损失。
- 核心思路：作者抽出四类基础损失原语，全部从 Boltz-1 的输出（distogram、pair representation）派生。基序损失 \(\mathcal{L}_{\text{motif}}=\sum_{i,j\in m, i\neq j}\sum_k \frac{p_{ijk}}{|m|(|m|-1)}(d_k-\|\mathbf{r}_i-\mathbf{r}_j\|)^2\) 用 distogram 概率加权地最小化基序内残基对距离与目标距离的平方误差；对应的 反基序损失 \(\mathcal{L}_{\text{anti-motif}}=-0.5\,\mathcal{L}_{\text{motif}}\) 主动破坏支架。结合损失 \(\mathcal{L}_{\text{binding}}=\frac{1}{2c}\sum \min_j^{(k=c)}\min_i^{(k=2)} H_{<20\text{Å}}(D_{ij})\) 借用 BoltzDesign1 的截断熵，聚合"top-\(c\) 配体 token 与 top-2 蛋白残基"的近接概率，鼓励高置信度接触；反结合损失 取负 0.5 倍。构象变化损失 \(\mathcal{L}_{\text{conf-change}}(\mathbf{z};\mathcal{C}_1,\mathcal{C}_2)=-\frac{1}{L}\sum_i \max_j \mathrm{JSD}(D^{(1)}_{ij}\|D^{(2)}_{ij})\) 把两个状态下同一对残基的距离分布之 JSD 最大化，强制状态间结构发生显著差异。接触损失 \(\mathcal{L}_{\text{contact}}=\frac{1}{L}\sum_j \min_{i:|i-j|\geq 9} H_{<14\text{Å}}(D_{ij})\) 保证每个态结构本身被自信地预测。
- 设计动机：所有损失都建立在 Boltz-1 的连续 distogram 而非硬距离上，确保对 \(\mathbf{z}\) 的可微分性；正/反对称设计（motif vs anti-motif、binding vs anti-binding）让用户能直接表达"该有/不该有"两类约束；JSD 形式的构象变化损失绕开了"两个结构必须配准才能比较"的难题，直接在分布层面驱动状态差异。
Straight-Through + 四阶段退火的序列优化:
- 功能：把离散的 20 维氨基酸 argmax 问题转化为对连续 logits \(\mathbf{z}\in\mathbb{R}^{20\times L}\) 的梯度下降，并在 240 步内完成从"软连续探索"到"硬离散收敛"的平滑过渡。
- 核心思路：每步计算三个表示——软分布 \(\mathbf{z}_{\text{soft}}=\mathrm{softmax}(\mathbf{z}/\tau)\)、硬 one-hot \(\mathbf{z}_{\text{hard}}=\mathrm{onehot}(\mathrm{argmax}\,\mathbf{z})\)、原始 logits \(\mathbf{z}\)，并用 STE 让 \(\mathbf{z}_{\text{st}}=(\mathbf{z}_{\text{hard}}-\mathbf{z}_{\text{soft}})|_{\nabla=0}+\mathbf{z}_{\text{soft}}\) 在前向看起来是硬的、梯度走软路。喂给 Boltz-1 的实际是凸组合 \(\mathbf{z}_{\text{pseudo}}=\beta\mathbf{z}_{\text{hard}}+(1-\beta)(\gamma\mathbf{z}_{\text{soft}}+(1-\gamma)\mathbf{z})\)，三个超参 \(\beta,\gamma,\tau\) 按四阶段 schedule 调节：Stage 1（30 步，\(\beta=0,\gamma=1,\tau=0.5\)）做软探索；Stage 2（100 步，\(\gamma\) 从 0 退火到 1）逐渐挤出硬决策；Stage 3（100 步，\(\tau\) 从 0.5 降到 0.005）压低温度；Stage 4（10 步，\(\beta=1\)）完全切到 one-hot 微调。基序位置 \(\mathbf{m}[i]=0\) 的残基在每步前向时被钉死为 motif 序列。
- 设计动机：直接在 20 维 simplex 上做离散搜索会指数爆炸；纯连续松弛又会得到非物理的"混合氨基酸"。STE + 多阶段退火让早期能用连续梯度信息全局探索、后期强制收敛到合法残基。\(\beta,\gamma,\tau\) 分别控制"硬/软占比"、"软分布锐度"和"温度"，三个旋钮足以覆盖从平坦到尖锐的整个 schedule。
多基序合并与 cpGFP 生物传感器装配工作流:
- 功能：把"基序切换"扩展到"用同一段序列同时支架两个不同基序"，并进一步把多态构象切换器封装成可装配的荧光生物传感器组件。
- 核心思路：当一个状态需要支架多个基序时，先用 Algorithm 2 在残基索引层面合并基序约束，再走标准的 motif 损失。在生物传感器工作流中（Sec 4.6），作者把传感器拆成"环状置换 GFP（cpGFP）报告器 + 配体响应构象开关"两部分：先用 SwitchCraft 设计在配体存在/不存在时构象差异显著的 switcher（apo/holo 两态 + ContactLoss + BindingLoss + ConfChangeLoss），然后选择 apo→holo 间骨架二面角变化最大的残基位作为 cpGFP 插入位点（Algorithm 3 保证位点空间多样），把 cpGFP 嵌入、再用 Boltz-1 共折叠，筛选 chromophore 接触发生显著变化的设计。
- 设计动机：天然 cpGFP 类生物传感器的成功机制（如 nicotine 传感器，PDB 7s7u/7s7v）依赖一个 linker 上的谷氨酸在 apo 态贴近 chromophore 淬灭荧光、在 holo 态被拽离 14 Å 解淬灭；作者把这套机制反向工程成可计算的筛选准则（intraRMSD、crossRMSD、回转半径、effector iPTM 阈值），让 SwitchCraft 能为任意小分子从头设计候选传感器，绕开"必须先有天然 switcher"的瓶颈。

损失函数 / 训练策略¶

全局损失是所有状态-损失项的和；优化器是 Adam，单步学习率 \(\alpha\in\{0.1,0.2\}\) 按阶段切换；初始 \(\mathbf{z}\) 从 Gumbel-softmax 采样。每个设计任务跑大量独立轨迹（100 至 13858 条），每条最终序列再用 Boltz-1 预测 5 个结构做评估。

实验关键数据¶

主实验¶

作者按复杂度递增定义了 6 个多态设计原语，加 1 个生物传感器工作流。下表汇总硅基成功率（成功率 = 满足结构置信度 + 状态差异 + 低 intra-state RMSD 等多重过滤的设计占比）。

设计任务	配体类型	总设计数	成功设计	关键发现
正/负变构（基序 ON/OFF）	5 类配体 × 24 基序 × 100 设计	12000	11 个基序至少 1 成功	状态间基序 RMSD 差异常 >5 Å，含 fold switching
基序切换（3IXT↔1YCR）	OQO	100	3 完全成功	多数候选满足 4 约束中 3 个，接近通过
配体修饰（heme + O₂）	heme + 氧分子	558	10	组氨酸被氧排开诱发 3.8 Å 重排，类血红蛋白协同
诱导结合（Top7 片段 + Ca²⁺）	Ca²⁺	940	8	Ca²⁺ 结合诱发 12.50 Å 重排形成结合界面
配体辨识（3 态：apo/OQO/Ca²⁺）	OQO + Ca²⁺	465	12	关键 loop 在 3 态间任意两两 RMSD ≥1.48 Å
传感器 switcher（SAM/cGMP/ATP）	3 个小分子	13858	89 严过滤 → 44 接触变化合格	复现 nicotine 传感器机制，Glu74 14.7 Å 位移

消融实验¶

配置	现象	说明
完整 4 阶段 schedule	240 步收敛到 one-hot	软到硬平滑过渡
仅基序损失（单态）	退化为 BoltzDesign1 风格	验证框架向后兼容
去掉 ConfChangeLoss	多态退化为单态拷贝	JSD 项是状态分离的关键
去掉 ContactLoss	个别态结构置信度崩塌	必须为每个态单独保留
反基序系数从 \(-0.5\) 改 \(-1.0\)	破坏过强导致整体折叠失败	平衡正反约束的权重很敏感

关键发现¶

成功率绝对值仍低（11/24 基序、个位数到百分位的命中率），说明这个 benchmark 本身有很大改进空间，作者直接把"5 配体 × 24 基序正负变构"提议为多态设计的标准 benchmark。
配体修饰任务里出现了"大构象变化但物理不合理（需要解开再重新结合才能完成）"的失败模式，提示未来需要加入动力学约束。
三态配体辨识用 50 残基的 miniprotein 就实现，关键 loop 在三态中分别形成盐桥、疏水口袋、Ca²⁺ 协调位点，hints 多步酶的可设计性。
生物传感器工作流中，作者无需任何天然 switcher 模板就为 SAM/cGMP/ATP 生成了 44 个机制合理的候选，其中 SAM 设计复现了 nicotine 传感器的"linker 谷氨酸位移解淬灭"机制。

亮点与洞察¶

把多态蛋白设计形式化为"序列上的约束满足问题"，方法的描述形式（state + loss + mask）几乎是一种领域 DSL，便于生物学家直接"编程"出新功能。
正/反对称损失（motif vs anti-motif、binding vs anti-binding）只用一个负号就把"该有"和"不该有"统一进同一框架，极具可组合性。
ConfChangeLoss 用 distogram 上的 JSD 而非"结构对齐 + RMSD"来定义状态差异，规避了配准歧义，可以直接微分。这个技巧对所有需要"两个生成物要不同"的任务（如多样性生成、对抗样本）都可迁移。
用 STE + 四阶段退火处理 20 维 simplex 上的离散搜索，是把"梯度上的 inverse design"思路从结构域推到序列域的一个干净案例，比 ProteinMPNN 这种纯采样方式更适合带复杂约束的场景。

局限与展望¶

成功率绝对值仍低（很多任务个位数命中），离能直接量产功能蛋白还有距离；作者承认这是 benchmark 而非生产工具。
所有评估都是 in silico——用 Boltz-1 折叠并打分。结构预测器本身的偏置会被无限放大，预测置信高的设计未必能在 wet lab 折出来。论文只在 Appendix B.7 提到 induced binding 的初步实验验证。
损失目前都是"结构性"的，没有动力学/能量面约束，导致部分构象切换在物理上不可达（需要解-再结合），未来需要引入 transition state 或 kinetic 项。
Boltz-1 单次前向已经很贵，每个设计要跑 240 步 × 多个状态 forward + backward，对硬件门槛和能耗都是非平凡的开销。

评分¶

新颖性: ⭐⭐⭐⭐⭐ 首个通用多态蛋白设计框架，从单态到多态是质变。
实验充分度: ⭐⭐⭐⭐ 6 类任务 + 生物传感器 case study 覆盖度好，但成功率绝对值低且全为硅基。
写作质量: ⭐⭐⭐⭐⭐ 把方法抽象成 specification + optimization 两阶段非常清晰，损失定义和 schedule 写得像教科书。
价值: ⭐⭐⭐⭐⭐ 为下一代 functional protein design 立了通用 benchmark 和接口，可能定义未来几年的方法基线。