Mannose

<<< 左右滑动见更多 >>>   榴莲忘返AIDD   供稿 | 刘思源审稿 | 吉星   目录 Baker 团队通过从头设计蛋白质三维骨架的空间位阻，成功在野生型哺乳动物细胞中，将 N-糖基化修饰进程物理拦截在特定的寡甘露糖阶段。 Zatom-2 试图用 500 万量子力学结构与流匹配打通小分子、晶体与蛋白质的生成壁垒，其引入的受力条件化确实给高能态构象上了物理紧箍咒，但它在下游任务上并未击败专用工具，跨领域的算力融合仍难以撼动湿实验的冷酷现实。 RGI-Toolkit 无需重训即可在扩散反向采样中强行校正小分子立体化学并定向扳动蛋白构象，但修复局部位阻与键角依然无法提高配体对接的真实姿态精度。 测序噪音过滤彻底压倒了算法架构调优；研究团队借助朴素的线性回归与概率采样，将腺相关病毒（AAV）的细胞外囊泡包裹效率从野生型的 29.6% 暴力提升至 99.2%。 单纯依赖预训练蛋白质语言模型在未见突变位点上极易失灵，冻结骨干网络并融合共进化与三维结构先验，是跨越分布外鸿沟的有效解法。 1. 1. 从 1/97 惨败到 46% 命中：AI 用蛋白质凹槽强行锁死糖基化 任何在药企做过重组蛋白研发的人，都见识过高尔基体流水线的野蛮。细胞里的酶切加工从不理会人类画出的结构蓝图。只要核糖体把带有 N-糖基化位点（PNGS, potential N-glycosylation site）的肽链送进内质网，各种甘露糖苷酶和糖基转移酶就会一拥而上。它们把原本规整的核心聚糖修剪改造，最终在宿主细胞表面吐出一大堆异质性极高的复杂型糖链（complex-type glycans）。过去为了在药物或疫苗表面留住均一的高甘露糖型，工艺团队只能在发酵罐里加入昂贵的酶抑制剂基芬新（kifunensine），或者动用基因编辑去改造宿主细胞。Baker 团队证明仅靠蛋白质骨架的空间位阻，就能直接阻断分泌途径中的酶修饰，将 N-糖链锁定在高甘露糖构型。但计算设计在真实细胞环境下的初次落地，迎来的是当头一棒。抽卡式建模的虚火：97 个分子换来 1% 的冰冷命中率 在图形工作站上搭建静态分子模型，容易让人产生全知全能的错觉。研究团队最初使用全原子扩散模型（RFdiffusion All-Atom）围绕天冬酰胺连接的糖链生成主链，再调用 LigandMPNN 分配侧链序列。随后，他们利用 AlphaFold 3 和 RF3 进行复合物结构预测打分，选出 97 个能正常表达且糖基化占位率大于 5% 的分子送去质谱检测。结果显示绝大多数分子表面依然挂满了典型的 HEK 细胞复杂型糖链，仅有 1 个分子的寡甘露糖占比突破 25%。没有引入相对可及表面积差值（ΔRASA）过滤时，第一代计算设计分子的寡甘露糖富集成功率仅有 1%（1/97）。这一惨烈数据揭穿了算法的幻觉：只要蛋白没有在物理空间上把糖链严实包裹起来，高尔基体里的甘露糖苷酶就会轻易钻进缝隙完成剪切。把酶挡在门外的几何学：人工峡谷如何卡死糖修饰 机械结构往往能给出最干净的物理实证。为了厘清空间位阻的边界，团队基于四肽重复蛋白（THR）构建了 THRgly1 到 THRgly4 的梯度突变系列，把糖基化位点逐步安置在越来越深的蛋白质凹槽内部。质谱分析给出了清晰的因果链条：完全暴露在外的对照组产出了典型的复杂型聚糖；随着两侧结构域向中间聚拢形成狭窄峡谷，酶的进入通道被物理切断，产物迅速倒向未被加工的寡甘露糖。在位阻最极端的构型中，研究团队甚至检测到了极少见的单葡萄糖高甘露糖前体（Glc1Man9）。随着人工设计的蛋白凹槽深度增加，糖链加工被物理定格在极其早期的 Glc1Man9 前体阶段。晶体结构随后证实了凹槽对糖链的束缚，但为了获得这种绝对阻断，整个骨架必须牺牲柔性，深陷在僵硬的几何牢笼中。丢掉蛋白质结合界面：让甘露糖自己去当攻城锤 找到病因后，团队为算法流水线加装了刚性筛选滤网：以 ΔRASA（per-atom difference in relative accessible surface area）指标精确量化骨架对糖链每个原子的物理遮蔽面积。这一步改动扭转了局面，第二代设计在跨越多类骨架拓扑结构时拿下了 20/43 的高纯度命中率，排名前列的 O1 到 O4 分子均展现出极深的空间埋藏。更具启发性的是功能验证部分。富含 Man5 的 O3 分子可以直接与尿路致病性大肠杆菌（UPEC, uropathogenic Escherichia coli）表面的 FimH 黏附素结合，阻断细菌侵染人膀胱上皮细胞；富含 Man8 的 O2 分子则精准激活了人类甘露糖结合凝集素（MBL, mannose-binding lectin）。引入空间位阻指标后成功率跃升至 46.5%，且富含 Man5 的人工糖蛋白无需优化蛋白界面就能直接阻断尿路致病性大肠杆菌黏附。但在高精度的 X 射线晶体衍射图谱中，明星分子 O4 的 N 端依然出现了一个晃动的柔性盖子（lid），局部的微小构象呼吸随时会给加工酶撕开一道渗漏缺口。冷水检验与全周期成本账：发酵罐与体内的双重代价 计算团队总喜欢宣称算法节约了早期试错的时间成本。但在真正的药物研发全周期里，早期算力节省的几个月，在以年为单位的临床前工艺与安全性评价面前并不起决定作用。审视对比基准可以发现，这项研究虽然打败了无位阻的初代通用模型，但并没有与工业界成熟的糖工程宿主细胞系（如 GnTI 缺陷型 CHO 细胞）进行同台竞技。在绝对纯度上，即便是表现优异的分子，其目标寡甘露糖的比例也大多停留在 30% 到 70% 之间，伴随着大量的异质性伴生物。药企如果在申报 IND（新药临床试验申请）时拿出一份成分如此飘忽的质谱图，监管机构绝不会轻易放行。更危险的陷阱在体内药代动力学。哺乳动物肝脏表面布满了高密度的甘露糖受体（CD206），暴露高甘露糖外周结构的蛋白在血液中通常会在几十分钟内被巨噬细胞清扫一空。早期生成节约的算力无法填补下游 CMC 批次稳定性与体内非特异性清除的工艺鸿沟。终点线的证据还在路上。接下来的 12 到 18 个月，看这些分子在小鼠体内的清除半衰期数据和 50 升反应器中的批次重现性，就能判定这究竟是一项工业级平台技术，还是一场停留在预印本里的精巧演练。 📜Title: Programming N-linked glycan composition through de novo protein design 🌐Paper: https://www.biorxiv.org/content/10.64898/2026.10.07.757460 💻Code: https://github.com/RosettaCommons/RFdiffusion 2. 2. 74% 设计率难掩晶体高废品率：原子大模型真能通吃三界？通吃三界的野心：一个 U 型骨架装下分子与蛋白 500 万个密度泛函理论（Density Functional Theory, DFT）结构预训练，仅用 2,000 个样本微调就把大分子骨架设计率拉到 74.80%。但在真实的湿实验台前，95% 的晶体生成物依然是热力学废品。算力团队热衷于拼装通吃一切的瑞士军刀。小分子药企在用扩散模型寻觅结合口袋，材料实验室在用图神经网络（Graph Neural Network, GNN）筛选固态电解质，结构生物学界则守着专有架构各立山头。Zatom-2 的研究团队想要打破这种割裂。他们搭建了一个 U 型原子编码器到 Token 主干再到原子解码器的多尺度网络，既用原子级别特征捕捉局部几何细节，又用 Token 级别特征交换全局信息，同时适配小分子和晶体的单原子表征（atom1 tokenization）与蛋白质的 14 原子氨基酸表征（atom14 tokenization）。Zatom-2 试图用单一多尺度 Transformer 抹平小分子、晶体与蛋白质的表征鸿沟，以连续流匹配替代离散生成的割裂管线。但把阿司匹林、电池材料与抗体骨架塞进同一个权重池，物理尺度的跨越远比参数量扩张残酷得多。分子间的共价键网络容不得晶格周期性边界条件的粗暴套用，这种几何大一统从第一天起就背负着沉重的妥协代价。给物理状态装上旋钮：把裁判抓来当教练 以往的原子生成模型总在做无用功。模型从高斯噪声里抓出三维坐标，经常产出键长扭曲、原子重叠的高能畸变体。训练集里混杂了平衡态极小值与热扰动采样的高能态，生成器在概率空间里直接和稀泥。研究团队引入了全局弛豫状态描述符，直接将平均原子力范数的对数值（  mean atomic force norm）作为条件输入。这就相当于给生成器装了一个物理退火旋钮。你要基态分子，就把受力调到极低；你要反应过渡态或热震荡采样，就推高受力条件。多任务预训练让这套逻辑更进一步：模型一边做坐标的条件流匹配，一边预测分子构象与晶格参数，同时充当机器学习原子间势能（Machine Learning Interatomic Potentials, MLIP）去预测体系总能量与受力。他们用严密的光圈门控防止目标受力泄漏，让同一个骨干网络既画图纸又算承重。引入原子力范数作为条件输入并辅以能量受力预测，让生成模型首次具备了区分高能畸变与基态稳定的物理刹车机制。但能感知受力并不等于能跨越势垒。受力条件化在 OMol25 评估中展示了漂亮的高低受力分离曲线，可当生成过程步入复杂的扭转角势能面时，流匹配的单步速度预测依然会在平坦的自由能低谷里打滑，算出的局部受力极小值在真实的溶剂化环境面前瞬间瓦解。基准拷问：全员不及格时的加冕游戏 论文列出了一串看似亮眼的基准数字。GEOM-Drugs 无条件小分子生成达到了 96.90% 的化学合法性（Validity），MP20 晶体基准上的 MetaSUN 产率达到了 4.92%，低数据微调下的蛋白质骨架设计率提升至 74.80%。行内人必须拆穿这些数字背后的障眼法。在 RDKit 的宽容规则下，只要不出现五价碳，哪怕是空间位阻挤爆的怪物也能被判定为有效分子，96.90% 的合法性对成药性毫无参考价值。MP20 上 4.92% 的亚稳态新晶体产率看似超越了早期基线，倒过来看就是 95% 的生成物全是热力学不稳定的无用废品。更显眼的是蛋白质微调实验：作者宣称仅用 2,000 个 SCOPe 结构微调，就将 129–256 残基的外推设计率从 67.81% 提到了 74.80%，但他们对比的仅仅是没有预训练的自家白板模型。在同一赛道上，统治学术界的专用生成工具 RFdiffusion 早已跨过了 85% 的设计率门槛，却在对比列表里彻底隐身。模型在蛋白微调与药物生成上的惊艳指标，本质上建立在避开专用 SOTA 工具与宽泛化学合法性的基准温室之中。但把实验拉回真实的工业管线，没有哪家药企或材料公司会为了追求「单一架构的优雅」，用一个通才模型去替代经过海量领域数据千锤百炼的专用工具。冷水检验与成本账：算力省下的时间逃不过湿实验绞肉机 计算机前的一秒钟换不来试管里的一滴纯净蛋白。即使这套架构把早期虚拟分子的抽卡速度提升一倍，甚至把骨架设计率拔高七个百分点，在药物研发全生命周期里也仅仅节约了前 1% 的计算开销。从一条虚拟骨架走到临床前候选化合物（Preclinical Candidate, PCC），研发团队必须跨越重组表达、包涵体复性、结晶学验证、表面等离子体共振（Surface Plasmon Resonance, SPR）亲和力测定与吸收、分布、代谢、排泄与毒性（Absorption, Distribution, Metabolism, Excretion, and Toxicity, ADMET）筛选。随后的良好实验室规范（Good Laboratory Practice, GLP）毒理实验与新药临床试验申请（Investigational New Drug, IND）申报需要耗费数百万美元和上万工时。一个没有经过真实水相热涨落、缺乏侧链协同包装验证的计算构象，只要在受体界面出现 0.5 埃的立体位阻碰撞，整条管线的前期投入就会全部归零。跨域统一在算法层省下的微秒级开销，在以年为单位、淘汰率超九成的湿实验与体内成药性全周期面前根本微不足道。代码仓库已经在 GitHub 开源。终点线的判官从来不是论文里的统计指标。未来 12 到 18 个月内，看看一线药企会不会拉取这套代码替换现有的专用工具，或者材料学家的手套箱里能不能烧出一块真正能用的固态晶体，答案就会见分晓。 📜Title: Zatom-2: Multitask Pretraining on Atomistic Data for Generative Modeling across Domains 🌐Paper: https://arxiv.org/abs/2610.11454 💻Code: https://github.com/Zatom-AI/nucleus 3. 3. 100% 手性校正却救不了结合姿态？六大扩散模型外挂约束实测 209 个复合物基准测试，六大主流扩散模型生成的配体手性和顺反异构符合率被拉到了 100%。但在药物化学家最在意的口袋结合姿态上，预测准确率几乎没有挪动半分。 每一位在湿实验和计算平台之间折腾过的药物研发人员，都见过这种让人血压升高的场景：AlphaFold3 或 Chai-1 吐出来的复合物结构，蛋白口袋漂亮得能直接放进汇报幻灯片，里面的小分子配体却长着被压扁的苯环、拧成麻花的双键，或者直接颠倒了立体化学手性。研究团队避开了耗资巨大的整网重训路线，直接打造出即插即用的 RGI-Toolkit，在反向扩散去噪循环中把畸变的分子坐标强行拉回物理流形。这套可微约束工具箱用低廉的外挂计算把跑偏的构象纠正到了几何正确。但这种修补术揭开了一个更冷酷的现实：把小分子的局部骨架修漂亮，并不等于你猜对了它与靶点的结合模式。1. 外挂紧箍咒：在扩散去噪中实时投影几何流形 各大扩散模型的网络架构各异，底层的反向去噪逻辑却高度相通。 无论是 DeepMind 的 AlphaFold3、开源复现的 OpenFold3，还是聚焦小分子复合物的 Boltz-2 与 Chai-1，它们大多遵循 EDM 样式的反向扩散机制（Reverse Diffusion）。这种采样过程为外部干预提供了清晰的切入窗口。RGI-Toolkit 的运行机制相当直接：在去噪循环中嵌入一个钩子函数，每走一步就计算一次可微约束损失，随后对当前原子坐标执行局部优化，将其近似投影到满足物理约束的目标集合中，再交回模型继续下一步采样。 为了避免为每个模型重新造轮子，研究团队将原子选择语言、约束解析、自动微分梯度以及坐标优化全部打包进独立的中心引擎。不同预测器只需要一个极薄的数据预处理适配器加上去噪循环里的单点调用。用户编写一份简单的 YAML 或 JSON 配置文件，通过逻辑运算符指定残基或原子编号，同一套约束规则就能直接跨模型运行。通用引擎将约束定义与梯度优化集中处理，让各大预测器仅凭单个钩子函数即可完成可微几何校正。但这种在去噪反向轨迹上高频插入的迭代投影，对本就昂贵的采样开销带来了成倍的时间惩罚，高通量虚拟筛选的吞吐量因此大打折扣。2. 化学生理课及格：手性百分百修好，对接姿态依然走样 纯数据驱动的扩散模型在微观化学规则上经常犯初级错误。 它们在宏观折叠上表现惊艳，却缺乏对共价键刚性和立体异构的物理常识，经常随机构造出严重位阻碰撞的非法构象。作者引入了经典化学信息学工具来补课：先通过 RDKit 的 ETKDGv3 算法生成参考构象，利用通用力场（UFF）进行能量最小化，再将键长、键角、手性中心和无环双键的顺反异构作为刚性惩罚项，结合蛋白 - 配体范德华（van der Waals）排斥项一同施加到采样中。在 209 个含有明确顺反双键的蛋白 - 配体复合物测试集中，六大模型的手性正确率和顺反异构符合率全线达到了 100%，键长键角均方根偏差（RMSD）大幅改善，原子间的重叠穿模也被彻底剔除。 这套漂亮的几何修复掩盖了评测基准上的致命短板。审视绝对指标就会发现，配体与结合口袋的整体姿态准确率（Pose Accuracy）几乎没有任何提升。在真实管线中，药化团队通常会使用经过高精度能量微调的专用分子对接工具（如 Glide），而本研究仅仅在通用大模型内部对比局部指标。力场排斥与立体构象约束能够根除原子重叠并锁死手性，却丝毫没有提升小分子在结合口袋中的对接姿态精度。局部的物理合法性买不来全局的结合模式，把一件衣服的褶皱烫得平整，并不代表它能套准模特的体型；如果结合自由能面的朝向本身就判断失误，一件没有位阻冲突的漂亮分子依然只是一张废纸。3. 杠杆撬动蛋白闸门：用自定义坐标指挥构象翻转 靶点蛋白在真实生理环境下往往处于多态动态平衡。 传统的构象采样方法依赖多序列比对（MSA）随机子采样，研究人员需要反复裁剪共进化输入，寄希望于残缺的信号偶然触发冷门构象，过程如同开盲盒。RGI-Toolkit 提供了确定性的操纵杠杆：它支持原子质心距离、键角、二面角以及基于 Kabsch 对齐的参考构象 RMSD 约束，甚至允许用户通过数学表达式自由定义反应坐标。 在 MFS 超家族转运蛋白 DgoT 上，作者直接设立了内外两侧闸门距离差的反应坐标（ ）。六大模型全部顺从了人为设定的几何指令，沿着反应坐标连续输出了从向内开放到向外开放的全套结构翻转状态，过渡轨迹平滑而稳定。在谷氨酰胺结合蛋白（QBP）和腺苷酸激酶（ADK）上，多重参考构象约束同样精确驱赶着模型在开闭状态间迁移。几何距离差等反应坐标约束能够精准操纵靶点构象渐进翻转，在可控性上彻底击败了依靠随机碰运气的多序列比对子采样。但这种操纵有着严格的物理前提：一旦用户设定的空间几何约束超出了物理可能（例如两个参考点之间的三角不等式冲突），扩散模型会被拉入无解的应力扭曲，最终交出一段碎裂的结构残骸。4. 算力账本与冷水检验：早期几何修正买不来体内成药性 新技术的出现总是伴随着虚高的预期，从业者需要算一笔清醒的全周期研发账。 RGI-Toolkit 的确解决了困扰结构生物学家的门面问题：让生成的复合物结构符合化学常理，免去了后续繁琐的手动修图与几何微调。这一步计算操作省下的时间和几行清理脚本，在整个药物研发周期中只占微乎其微的份额。真实新药管线的死穴从来不在计算机屏幕上，而在于千万美元级别的 GLP 毒理评价、漫长的动物体内成药性研究以及以年为单位的临床试验。如果前期依靠约束修正得到的漂亮构象在活性位点上依旧对不准，湿实验合成出来的化合物在表面等离子体共振（SPR）检测中便测不到任何结合信号，后续的研发预算将全数打了水漂。 更严峻的制约在于参考输入的真实性。配体约束的质量完全受制于前置生成的参考构象；如果 RDKit ETKDGv3 预设的天然低能态构象恰好与受体诱导契合后的高能生物活性构象冲突，这套外挂系统反而会顽固地把真实姿态锁死在错误构型之外。早期几何修补带来的每一步计算延迟，在耗时数年的湿实验与千万级临床申报成本面前几乎不值一提，模型依旧未能突破配体识别的本质瓶颈。 冷酷的时间窗口就在前方。无论计算指标如何粉饰立体构象的完整度，无法转化为实际亲和力预测优势的几何插件就只能停留在工程补丁层面。未来的 12 个月内，看看管线中是否有药物发现项目愿意把这套推断约束集成进真实的先导化合物优化流程并拿到晶体结构复核，就是它能否留在工业界工具箱中的终极审判。 📜Title: RGI-Toolkit: Differentiable Restraints for Controllable Biomolecular Structure Prediction 🌐Paper: https://www.biorxiv.org/content/10.64898/2026.10.05.756905 💻Code: https://github.com/cddlab/rgi_toolkit 4. 4. 传统筛选仅提 3 倍？机器学习将 AAV 外囊泡包裹率拉爆 41 倍1. 戳中衣壳制造痛点：传统进化翻车，算法直接拉爆 41 倍 把腺相关病毒（Adeno-associated virus, AAV）包裹进细胞外囊泡（Extracellular vesicles, EV）制成 EV-AAV，是行业避开宿主中和抗体、增强跨组织递送的一张王牌。野生型 AAV9 在细胞外囊泡中的包裹率只有 29.6%，而机器学习辅助定向进化将平均包裹效率拉升了 41 倍。 研究团队在 AAV9 衣壳表面暴露的 loop 区（453–454 氨基酸残基之间）插入 8–13 个氨基酸的外源多肽，利用 NNK 简并密码子构建了包含 53,974 个突变体的大文库。经过 3 轮 EV 包裹实验筛选，传统定向进化挑出的突变株富集度只提升了约 3 倍。作者借助监督模型从 472 个独立评估序列中锁定了最优突变体，富集得分均值达到 83.1，单体包裹率最高冲到了 99.2%。但包裹率暴增如果以牺牲病毒包装能力为代价，在工业生产上依然毫无用处。令人欣慰的是，这批高包裹率突变株的总病毒基因组滴度（titer）同样保持了高水平，实现了包裹率与包装活性的多指标兼容。2. 基准横向拷问：简单线性回归逼平了深度网络 算法工程师往往对深层网络抱有执念，作者在基准测试中拉来了 15 类模型架构同台竞技，包括普通线性回归、前馈神经网络（FNN）、卷积神经网络（CNN）以及长短期记忆网络（LSTM）。在留出验证集的测试中，深度架构没有拉开实质性差距。所有模型的皮尔逊相关系数（Pearson correlation）都死死咬在 r = 0.62–0.65 之间。在过滤测序噪音后，简单的线性回归与复杂的深度卷积或循环网络表现出相同的预测能力。 通用深度网络试图捕获高阶非线性互作，但在这类单点多肽插入的文库中，加性效应占据了绝大部分方差。复杂模型不仅没有带来预测增益，反而引入了额外的超参数调优负担与过拟合隐患。一线研发更青睐透明度，线性模型的权重分布可以直接指示每个位点的氨基酸偏好，让湿实验科学家一眼看清突变规律。3. 数据清洗定律：两千条高质序列完胜一万六千条噪音 决定模型天花板的根本不是代码，而是测序深度与实验噪音。消融实验显示，如果测序读深度下降 100 倍，模型的预测相关性立即从 0.615 滑坡至 0.502。作者对低计数读数设置了严格的过滤门槛，虽然训练集规模从 16,000 条断崖式缩减至 2,000 条左右，模型的拟合质量与泛化表现却迎来了明显跃升。把低读数脏数据剔除后的两千条高质量序列，其模型训练收益远高于上万条含噪数据。 算法在筛选特征时展现了它的盲目性。线性模型发现半胱氨酸（Cysteine, C）在多个位点具有极高的正向权重，若直接采取贪心策略选取最高分，输出序列将迅速演变成一串连续的半胱氨酸。这种极端序列会导致异常二硫键错配，直接摧毁衣壳组装能力。通过倒数排序变换平衡氨基酸权重，研究团队既保留了半胱氨酸的强富集效应，又避开了序列坍塌。4. 全周期成本冷水账：生产端告捷，体内验证仍是硬门槛 算一笔全生命周期的研发总账：早期的文库构建、测序与算法设计耗费在数十万美元以内，成功化解了 EV-AAV 生产端裸衣壳混杂、下游纯化得率低下的工艺死穴。从靶点发现到商业化生产的漫长链条中，早期衣壳工程的支出占比不足 5%。后续的工艺中试放大、外囊泡异质性定性、严格的 GLP 动物毒理评价，每一道硬指标都在消耗数百万美元和数年光阴。体外生产包裹率的跃升降低了纯化损耗，但决定该载体能否进入临床的关键依然是体内抗体中和阻断实验。 外囊泡的高包裹效率解决了工业制备的第一道关卡。未来 12 到 24 个月，这批突变株能否在非人灵长类动物体内重现抗体逃逸能力并实现安全转导，才是决定这项技术能否真正迈向临床的决定性考题。 📜Title: Machine learning-assisted directed evolution yields dramatic improvement on novel AAV engineering task 🌐Paper: https://www.biorxiv.org/content/10.64898/2026.10.06.757046 💻Code: https://github.com/marinaluchner/ml-assisted-aav-engineering 5. 5. 换个突变位点就塌房？冻结大模型靠结构与共进化救场换个突变位点就抓瞎：给冻结大模型装上双重外挂 在淀粉酶（AMYLASE）的位点外推基准测试中，算法的斯皮尔曼等级相关系数（Spearman’s rank correlation coefficient）从 0.28 猛拉到了 0.60。但在自然演化完全空白的全新功能突变面前，模型的预测相关性依然会跌到难堪的 -0.15。 在计算生物学的测试基准里，模型最擅长的把戏就是在已知位点附近反复刷分。FLIP2 基准测试早已挑明了这个痛点：只要把测试突变挪到训练集从未覆盖的冷门残基位置，或者换一套全新的野生型骨架，那些在传统划分下表现亮眼的蛋白质语言模型（pLM）就会立刻丧失泛化能力。面对这种分布外（out-of-distribution, OOD）灾难，许多团队习惯性地直接对全模型展开端到端微调，但这在突变数据极度稀缺的湿实验场景中往往会导致严重的过拟合。 Grisoni 团队采取了一种务实的工程路径。他们完全冻结了底层 pLM 编码器，转而在特征层注入两项外部先验：来自结构感知语言模型（如 SaProt、ProSST）的几何标记，以及类似 AlphaFold 架构的结构预测主干网络（Protenix-v2）在多序列比对（MSA）上提取的共进化与几何表征。为了把变长特征输入下游，团队将其规整为 9 个固定长度的特征块——包含 3 个全局特征块与 6 个突变索引特征块，最后仅训练一个轻巧的双层多层感知机（MLP）探针。通用蛋白质语言模型在未见突变位点上极易泛化塌方，通过冻结编码器并注入结构与共进化先验，能显著提升分布外位点的外推能力。但这套方案并非免费午餐，主干网络的高昂推理开销与对野生型参考序列的刚性依赖，为后续更大规模的筛选埋下了算力暗礁。拆解黑盒增益：真正扛起大旗的是共进化还是三维结构？ 给模型塞入一堆特征总是容易的，难的是看清究竟是谁在起作用。团队在 AMYLASE 的突变位置分割测试中发现，主干特征将模型的平均斯皮尔曼系数从 0.28 提升到 0.60，其中 ESM-3 搭配主干特征甚至跑出了 0.712 的最高分。更耐人寻味的是，这种特征补充在分布外测试集上的收益（+0.282 至 +0.323）远超分布内测试集（+0.050 至 +0.073），这证明模型确实获得了真正的位置外推能力，而不是单纯把训练数据背得更熟。 随后展开的消融实验给充满结构狂热的从业者浇了半桶冷水。当研究团队移除了显式结构训练目标、只保留一个纯粹处理共进化信息的 MSA Pairformer 对照组时，它居然恢复了主干网络在突变位置外推上 60% 到 70% 的提升幅度。消融实验表明六成以上的预测增益直接来自共进化序列信息，显式三维几何特征仅在特定空间外推任务中提供有限补充。换句话说，模型看似学会了精妙的立体空间构型，其底色很大程度上依旧是数亿年生物进化留下来的残基共变统计规律。基准审问：专用工具在场吗？绝对及格线达标了吗？ 当我们审视论文中的对比实验时，必须以一线研发者的挑剔眼光问两个核心问题：那些经过药企管线千锤百炼的专用工具在场吗？所谓的性能跃迁，绝对值到底能不能打？ 在 FireProt 无同源热稳定性测试集上，ProSST 融合主干网络后，相关系数从 0.399 跳到了 0.590，增幅确实亮眼。但只要把专门针对逆向折叠与热稳定性优化的专用工具 ThermoMPNN 摆上台面，就会发现通用大模型打补丁的方案依然处于下风。到了自然界未曾演化出的全新功能突变任务中，情况更为尴尬：纯语言模型给出了 -0.60 的荒唐负相关；即便挂载了主干特征，ESM-3 也仅仅是将相关系数拉回到 -0.15。引入主干特征依然无法撼动专用结构工具在热稳定性上的统治地位，且在自然演化之外的全新功能突变和难治酶谱上近乎失灵。在诸如亚胺还原酶（IRED）这种极其依赖精细化学微环境与构象动态平衡的酶工程场景中，该模型的预测能力更是持续在低位徘徊，暴露出深层生物物理机制信号的严重缺位。研发清醒账：早期打分算力省下的钱，挡不住湿实验的淘汰链 从湿实验科学家的账本来看，任何计算指标的微弱提升都必须放在全流程成本中折现。在计算机里挑选几百个突变体打分，耗费的不过是几张高端 GPU 的电费；然而一旦把候选分子推向基因合成、质粒构建、蛋白表达和酶动力学测定，每一个突变体的验证成本就变成了真金白银。 如果在早期虚拟筛选中将命中率从 5% 提高到 15%，确实能为前两轮定向进化节省数十万元的实验开销。然而当分子跨过体外活性筛选的门槛，迎面而来的则是成药性评价、溶解度陷阱、免疫原性风险以及以百万美元起步的 GLP 毒理学研究和以年为单位的临床评估。在湿实验高昂的验证成本与分子体内成药性面前，计算打分的离线提升只能充当粗筛过滤器，无法替代漫长而残酷的生化淘汰链。 在计算服务器上跑完一次特征提取只需几十分钟，但在恒温摇床和微孔板里验证一个活性翻倍的工程化酶，至少需要六到八周。这套先验组合拳究竟是真正的通用解药，还是又一次基准过拟合，等下一批进入湿实验高通量筛选（DMS）的实际产率出炉，答案才会揭晓。 📜Title: Generalizing Protein Fitness Prediction Across Distribution Shifts via Structural and Co-evolutionary Priors 🌐Paper: https://www.biorxiv.org/content/10.64898/2026.10.06.756934— 完 — 关注我，一站式科研服务 模式动物 · 病理分析 · 细胞实验 · 分子检测 · 蛋白免疫