基于生成式模型的蛋白质结构设计中序列-结构约束与折叠性评估研究综述

基于生成式模型的蛋白质结构设计中序列-结构约束与折叠性评估研究综述生成式模型在蛋白质设计领域的爆发式应用，正在打破传统蛋白质工程依赖定向进化、同源建模的路径依赖。从AlphaFold2实现原子级精度结构预测，到扩散模型、生成式预训练Transformer（GPT）、变分自编码器（VAE）等架构被用于从头生成全新蛋白质序列与结构，设计效率较传统方法提升了数个数量级。但这一技术路线的核心瓶颈始终未得到彻底解决：生成序列折叠为目标结构的实际成功率长期低于30%，大量在计算层面表现优异的设计序列，在实验中会出现错配、聚集、无法溶解等问题。序列-结构约束的精准建模与折叠性评估体系的系统性构建，成为缩小计算设计与实验验证之间鸿沟的核心切入点，也是当前蛋白质设计领域的研究热点。一、蛋白质生成式设计中的序列-结构约束体系演进蛋白质的功能实现建立在特定三维结构之上，而序列决定结构的核心规律隐藏在数十亿年的进化压力留下的序列模式中。早期蛋白质设计对约束的理解停留在“核心疏水、表面亲水”等经验规则，直到生成式模型的大规模应用才推动约束体系从经验性、局部性向数据驱动、全局耦合的方向迭代。第一代约束体系以结构生物学先验知识为核心，主要包括物理化学约束与二级结构偏好约束两类。物理化学约束层面，研究者通常会强制生成序列满足氨基酸亲疏水性分布规律：核心区域疏水氨基酸占比不低于60%，表面极性氨基酸占比不低于70%，同时严格限制甘氨酸、脯氨酸在二级结构内部的出现频率——这类规则来源于对天然蛋白质统计特征的拟合，能在一定程度上避免生成明显不符合物理规律的序列，但无法捕捉氨基酸之间的长程相互作用。二级结构偏好约束则基于不同氨基酸的结构倾向性统计，例如丙氨酸更易形成α-螺旋，缬氨酸更易形成β-折叠，脯氨酸通常出现在转角区域。这类约束在早期基于规则的蛋白质设计中被广泛使用，但在生成式模型的应用中逐渐暴露出局限性：部分从头设计的蛋白质会出现天然蛋白质中不存在的新型二级结构组合，过度依赖天然统计偏好会限制设计的创新性。第二代约束体系引入进化信息作为核心约束源，代表性方法是利用多序列比对（MSA）中的共进化信息约束序列生成。天然蛋白质家族的MSA中，存在大量共同进化的氨基酸位点：当一个位点发生突变时，与其有相互作用的位点通常也会发生互补突变以维持结构稳定。研究者将这类共进化模式作为正则项加入生成式模型的损失函数，要求生成序列的位点共进化模式与天然蛋白质家族的统计特征一致。在2022年的一项研究中，将共进化约束加入扩散模型后，生成的βαβ折叠蛋白的实验折叠成功率从22%提升至47%，验证了进化约束的有效性。但这类约束的适用范围存在明显限制：对于没有同源序列的全新折叠类型，无法构建有效的MSA，共进化约束也就失去了作用基础。当前主流的第三代约束体系实现了多维度约束的动态耦合，核心是将结构信息直接嵌入序列生成过程。代表性技术包括：一是几何约束，直接对氨基酸残基的二面角（φ、ψ、ω角）、原子间距离、氢键网络进行约束，要求生成序列对应的原子坐标满足目标结构的几何拓扑关系，这类约束在基于结构的生成模型如ProteinMPNN、RFdiffusion中被作为核心损失项；二是能量约束，将Rosetta、Amber等分子力场的能量函数作为评估项，要求生成序列的折叠自由能低于阈值，且折叠能隙（目标结构能量与去折叠态能量的差值）大于给定值，确保目标结构是序列的最低能量态；三是功能位点约束，对于酶、结合蛋白等功能性蛋白质设计，会强制要求催化位点、结合口袋区域的氨基酸类型与空间位置保持固定，同时保证周边残基与功能位点的相互作用能处于合理范围。多维度约束的动态耦合使得生成序列与目标结构的匹配度得到进一步提升，2024年发表的ConstrainedProteinDiffusion模型通过融合几何、能量、功能三类约束，在120个全新折叠的蛋白质设计任务中实现了62%的实验折叠成功率，是目前公开报道的最高水平。二、序列-结构约束建模的主流技术路径不同生成式模型架构对序列-结构约束的建模方式存在显著差异，当前主流技术路径主要分为基于自回归模型的约束嵌入、基于扩散模型的条件生成、基于能量模型的约束优化三类。自回归模型在蛋白质序列生成领域的应用以ProtGPT、ProteinLM等预训练大语言模型为代表，这类模型通过对天然蛋白质序列的自回归学习，已经掌握了基本的序列语法规则。对这类模型的约束建模主要采用提示工程与微调两类方法。提示工程方法通过在输入提示词中嵌入结构信息标签，例如“生成一个由8个α-螺旋组成的桶状蛋白，分子量约25kDa，等电点5.5”，引导模型生成符合要求的序列，这类方法灵活度高但约束强度弱，对复杂结构约束的依从性通常低于40%。微调方法则采用小样本学习的方式，用标注了对应结构特征的序列数据集对预训练模型进行微调，让模型学习序列特征与结构特征之间的映射关系。2023年斯坦福大学团队提出的StructPrompt方法，将结构的二级结构组成、接触图特征转化为特殊token加入序列输入，微调后的模型对目标二级结构组成的预测准确率提升至89%，但对长程相互作用的约束效果仍不理想。扩散模型是当前蛋白质结构设计领域的主流架构，对约束的建模主要通过条件扩散机制实现。RFdiffusion、Chroma等代表性模型均采用“结构噪声注入-逐步去噪生成”的范式，约束信息被作为条件变量加入去噪过程的每一步。具体实现中，研究者通常会在噪声预测网络中引入结构编码器，将目标结构的几何特征、约束信息编码为特征向量，与当前步的noisy结构特征拼接后输入网络，指导去噪过程朝着满足约束的方向进行。对于部分需要严格满足的硬约束，例如功能位点的原子坐标固定，研究者会在每一步去噪后对结果进行投影操作，强制将约束位点的坐标重置为目标值，保证硬约束的100%满足。这类条件扩散机制的约束强度可控，既可以实现对功能位点、二级结构的硬约束，也可以通过调整条件权重实现对整体折叠模式的软约束，是目前约束建模最灵活的技术路径。基于能量模型的约束优化路径则走了另一条技术路线，这类方法不直接生成序列或结构，而是学习一个能够区分“符合约束的合理结构”与“不符合约束的不合理结构”的能量函数，通过对初始随机序列或结构进行梯度下降优化，最终得到满足所有约束的设计结果。这类方法的核心优势是约束的可解释性强，每一项约束都对应能量函数中的一个可调整权重项，研究者可以根据设计需求灵活调整不同约束的优先级。2022年提出的ESM-IF模型就是这类方法的代表，它通过学习天然蛋白质的逆折叠能量函数，能够对给定结构的序列合理性进行打分，结合梯度优化算法可以快速生成符合结构约束的序列。但其局限性在于优化过程容易陷入局部最优，对于拓扑结构复杂的蛋白质，优化成功率比扩散模型低15%-20%。三、折叠性评估的技术框架与核心指标折叠性评估是验证生成序列是否能够正确折叠为目标结构的核心环节，当前评估体系已经形成了“计算评估-体外验证-体内表征”的三级技术框架，不同层级的评估指标各有侧重。计算层面的折叠性评估是第一层级的筛选通道，核心目标是在湿实验前过滤掉明显无法折叠的序列，降低实验成本。主流计算评估指标分为三类：第一类是结构预测一致性指标，即利用AlphaFold2、ESMFold等结构预测工具对生成序列进行结构预测，比较预测结构与目标设计结构的相似性，常用指标包括全局结构相似性TM-score、局部接触图相似性、功能位点RMSD（均方根偏差）。通常认为，当TM-score>0.7且功能位点RMSD<1Å时，序列有较大概率折叠为目标结构。但这类指标存在明显的“自洽性偏差”：生成式模型在训练过程中已经学习了结构预测工具的偏好，部分生成序列虽然能让结构预测工具输出高相似性结构，但实际折叠结果并不符合预期，2023年的一项对照研究显示，约30%满足TM-score>0.7的设计序列在实验中无法正确折叠。第二类是物理化学稳定性指标，包括利用分子动力学模拟计算的折叠自由能ΔG、去折叠温度Tm，以及通过Rosetta计算的能量函数各项得分，如包埋表面积、氢键能量、范德华相互作用能等。这类指标更贴近蛋白质折叠的物理本质，但计算成本较高，通常只用于对top级候选序列的精细化评估。第三类是序列合理性指标，包括生成序列与天然蛋白质家族的序列相似性、氨基酸组成分布合理性、无序区域占比等，这类指标计算速度快，适合作为初步筛选的第一关。体外验证层面的折叠性评估是当前的金标准，核心是通过实验手段直接表征蛋白质的结构特征。常用技术包括：一是圆二色谱（CD），用于检测蛋白质的二级结构组成，判断是否符合设计预期的α-螺旋、β-折叠占比，这是成本最低的初筛手段，适合批量验证；二是体积排阻色谱（SEC），用于检测蛋白质的溶液状态，判断是否存在聚集，通常认为单一且对称的洗脱峰是单体折叠良好的标志；三是X射线晶体学、冷冻电镜，能够获得原子级分辨率的蛋白质结构，直接比较实验结构与设计结构的偏差，是验证折叠正确性的最可靠手段，但实验周期长、成功率低，通常只用于经过多轮筛选后的候选蛋白。此外，近年来发展起来的氢氘交换质谱（HDX-MS）技术能够检测蛋白质的动态特征，识别折叠不稳定的区域，为后续序列优化提供靶点，已经成为折叠性评估的重要补充手段。体内表征层面的折叠性评估针对的是需要在细胞内发挥功能的蛋白质设计，核心是验证蛋白质在细胞内环境中的折叠状态与稳定性。常用技术包括：一是基于报告基因的折叠检测系统，例如将目标蛋白与GFP融合，通过荧光强度判断目标蛋白的折叠效率——折叠良好的蛋白能够让GFP正确折叠发出荧光，折叠错误的蛋白则会导致GFP也无法折叠，荧光强度低；二是热稳定性检测，通过在不同温度下培养细胞，检测目标蛋白的可溶性表达量，计算其体内的表观解链温度；三是半衰期检测，通过cycloheximidechase实验检测目标蛋白在细胞内的降解速率，评估其折叠稳定性。体内评估的重要性正在不断提升：大量在体外折叠良好的设计蛋白进入细胞后，会被细胞的质量控制系统识别为错误折叠蛋白而被降解，或者与细胞内其他分子发生非特异性相互作用，只有通过体内评估的设计蛋白才具备实际应用价值。四、当前挑战与未来研究方向尽管序列-结构约束建模与折叠性评估已经取得了显著进展，但这一领域仍然存在三个核心挑战有待突破。第一是动态构象约束的缺失，当前绝大多数生成式模型都针对单一静态结构进行设计，但天然蛋白质的功能实现依赖于不同构象之间的动态转换，例如酶的催化循环需要经历构象变化，离子通道需要在开放态与关闭态之间切换。现有约束体系无法对多构象的动态平衡进行建模，导致生成的蛋白往往只能稳定在单一构象，无法实现需要动态变化的功能。第二是复杂环境下的折叠性评估能力不足，当前评估体系主要针对体外纯化的蛋白或常规胞内环境，但对于细胞膜蛋白、分泌蛋白、极端环境下工作的工程蛋白，其折叠过程受到膜环境、pH、离子强度、翻译后修饰等多种因素的影响，现有评估方法无法准确预测这类蛋白在实际应用场景中的折叠状态。第三是跨尺度约束的整合困难，蛋白质折叠是一个涉及原子尺度相互作用、分子尺度构象变化、细胞尺度质量调控的多尺度过程，当前约束模型要么聚焦原子尺度的物理相互作用，要么聚焦分子尺度的结构特征，无法实现跨尺度约束的整合，导致无法从根源上提升设计成功率。针对这些挑战，未来研究将朝着三个方向推进。一是动态生成式设计框架的构建，将分子动力学模拟得到的构象动态信息加入约束体系，开发能够同时对多个构象状态进行约束的生成式模型，实现基于功能动态的蛋白质设计。二是场