ProTEUS构建变异级蛋白世界模型，闭环优化活性超十倍

摘要：ProTEUS把蛋白变体建模为联合潜空间中的状态，把单点突变定义为可预测功能后果的动作，并以MutationFormer融合序列、进化与结构信息。其物理约束全原子预测器通过显式几何约束保证结构有效，同时较AlphaFold3提速超过10倍。系统结合深度突变扫描预训练与实验反馈，在醛脱氢酶和Levansucrase两项多目标工程中筛出活性超过野生型10倍的变体。论文同时报告其零样本与监督微调突变预测优于既有模型，但闭源数据、预测校准及湿实验复现仍是落地关键。

---

核心思路：把蛋白突变空间改写为可交互的世界模型

ProTEUS并非只预测某条蛋白序列的结构或活性，而是将蛋白突变空间建模为一个“世界模型”：野生型及突变体是状态，氨基酸替换是动作，模型预测动作造成的功能变化。候选变体随后接受湿实验测试，结果再反馈给模型，形成预测、筛选、实验、学习的闭环。

这种抽象的关键价值在于统一了三个通常分离的环节：

• 在序列空间中枚举候选突变；
• 预测突变后的结构与功能后果；
• 根据实验结果更新对适配性景观的认识。

蛋白工程真正昂贵的部分不是单次结构预测，而是大规模湿实验筛选。ProTEUS试图将昂贵的真实测量变成低频纠偏信号，把大部分候选搜索交给模型完成。

MutationFormer如何表示突变

ProTEUS使用MutationFormer学习序列、进化与结构信息的联合表示。与普通Transformer将每个氨基酸位置视为等价Token不同，该架构引入“突变偏置”注意力，使模型能够显式区分哪些位置发生了变化、变化为何发生，以及该变化如何影响序列上下文和结构环境。

从建模角度看，蛋白变体可写为：

[ S = f_{\theta}(x, e, p) ]

其中，(x)表示氨基酸序列，(e)表示进化信息，(p)表示结构或物理属性。联合潜状态(S)既保留可生成候选突变的表示空间，又允许动作模型估计突变后的状态转移：

[ S' = g_{\phi}(S, a), \qquad y = h_{\psi}(S') ]

其中，(a)表示具体突变动作，(y)表示活性、稳定性或实验评分等结果。相比直接输出一个标量分数，这种状态空间抽象更适合在多目标约束下反复搜索，也让模型能够利用不同突变之间的共享结构与进化规律。

模型预训练数据来自深度突变扫描实验。此类数据的重要优势是一次测序可以同时观察大量突变，天然适合训练“突变到功能”的映射；局限则是实验覆盖高度集中于特定蛋白、位点和功能读数，模型可能把局部数据分布误当作通用生物规律。

快速全原子结构预测：速度与几何有效性的取舍

为了评估大量变体，ProTEUS配套开发了物理约束的全原子预测器。其核心不是完全依靠神经网络无约束地生成坐标，而是显式执行键长、键角等几何约束，使输出结构在优化后仍保持物理有效性。

这项设计与AlphaFold3的速度比较超过10倍。若以每个候选结构需要一次推理、后续还要进行候选排序和湿实验验证来估算，结构评估吞吐提升十倍意味着，同样时间内可探索的突变集合可能扩大一个数量级。不过，这一收益不能简单等同于端到端搜索提速10倍：变体生成、模型前向、几何修复和实验队列构建都可能成为新的瓶颈。

工程上需要重点核查以下条件：

• AlphaFold3对标对象、硬件、序列长度和批大小是否一致；
• “物理有效”是键长键角满足容差，还是更严格的局部几何与碰撞检测；
• 几何约束是否以投影迭代、解析求解或梯度惩罚实现；
• 预测速度是否包含结构优化时间，以及内存是否支持大批量并行；
• 与AlphaFold3相比，预测精度及界面质量损失多少。

论文还强调该结构预测器用于候选变体的虚拟评估。若结构置信度与真实突变效应相关，低置信度候选可被提前过滤；若置信度与功能无关，则加速环节可能只是更快地产生结构误差。

闭环优化如何运作

在闭环阶段，ProTEUS首先基于模型分数选择候选变体，再执行实验并把测量结果写回学习过程。与纯离线预测相比，反馈机制允许系统区分两类情况：模型本来就知道的规律，以及必须通过实验才能发现的适配性景观区域。

多目标工程比单目标优化更接近实际需求。一个突变可能提高催化活性，却同时降低热稳定性、表达量或底物选择性。如果世界模型只输出单一活性分数，搜索过程容易滑向“刷高单一指标”的局部最优；有效实现需要至少显式表示多项指标及其不确定性，并让最终选择策略反映约束之间的权衡。

论文在醛脱氢酶和Levansucrase两项实验中展示了闭环应用，报告所得变体活性超过野生型10倍。这里的关键不是单个高分变体，而是模型、结构和实验平台组成的迭代系统。然而，两个蛋白任务不足以证明跨家族泛化，不同酶的实验周期、表达系统和筛选通量也会显著影响闭环速度。

评测结果应如何解读

论文称，ProTEUS在零样本突变预测和监督微调任务上均超过既有模型。这两个评测分别检验不同能力：零样本结果关注模型能否利用预训练中的序列、进化和结构规律迁移到未见任务；微调结果则关注少量目标实验数据能否校准通用表示。

判断优势时还需确认：

• 基线是否针对同一批DMS数据进行了公平训练；
• 测试集是否与训练蛋白、位点或同源序列隔离；
• 指标是Spearman相关、RMSE、分类准确率还是排序成功率；
• 是否报告置信区间、随机种子方差和显著性检验；
• 是否存在同一DMS任务的调参或数据泄漏；
• 实验发现的高活性变体能否由独立团队复现。

尤其是零样本评测，序列相似蛋白之间可能共享局部motif，使结果高于真实的新蛋白家族泛化。闭环实验的最终活性提升更强，但样本数量少时，也难以单独归因给MutationFormer或结构预测器。

开发者与研究团队的落地建议

ProTEUS最适合拥有自动化实验平台、深度突变扫描数据和结构预测基础设施的团队。部署时应把流程拆成四个可观测层：候选生成、模型排序、结构置信度评估和实验反馈，并分别记录吞吐、筛中率、实验成本及失败原因。

建议先以固定位点或单点突变为起点建立基线，再逐步扩展到组合突变。多点突变会使“状态—动作”空间迅速膨胀：两个位点尚可枚举，五个以上位点的组合通常无法穷举，需要引入掩码生成、批次筛选或分层搜索。

不确定性同样关键。模型应同时输出活性和结构置信度，并按“高置信高收益”“高不确定高潜在收益”等象限分配实验预算。只有当模型知道哪些区域需要实验探索，闭环才能避免把预算浪费在已被训练数据覆盖的熟悉区域。

最后，生产采用前应核查代码、权重、训练数据和许可证是否公开，并评估深突变扫描数据的样本偏差、野生型基线测量误差以及结构预测器对非典型折叠、膜蛋白和天然 disordered region 的适用性。

工程价值与限制

ProTEUS的真正贡献在于把蛋白工程从单次结构预测或静态排序，升级为能够吸收实验反馈的闭环决策系统。MutationFormer负责学习突变语境，物理约束预测器负责扩大候选评估规模，湿实验则负责修正模型无法从数据中凭空推断的生物物理事实。

代价也同样明确：模型质量依赖DMS数据覆盖，闭环速度受实验周期制约，物理有效结构不等于功能正确，而多目标实验还需要可靠的选择策略。论文报告的十倍级结构预测加速和活性增益值得进一步复现，但现阶段更合理的定位是：高通量蛋白工程的强大研究框架，而不是无需验证即可替代湿实验的通用预测器。

---

消息来源：Hugging Face Daily Papers (2026-11-09)

—— 完 ——

主题标签： #ProTEUS 关注 #蛋白质工程 关注 #世界模型 关注 #MutationFormer 关注 #闭环进化 关注