YM说多肽|深度学习驱动的蛋白质与多肽分子设计|南京肽业

深度学习驱动的蛋白质与多肽分子设计：从基础理论、核心算法到工程化应用与实验落地

摘要

关键词

一、引言

1.1 多肽分子的核心价值与应用场景

1.2 深度学习对多肽与蛋白质设计的革命性突破

1. 序列层面：蛋白质语言模型可学习氨基酸的共进化规律、序列保守性、功能基序特征，实现多肽序列的生成、优化、功能预测；
2. 结构层面：几何深度学习、扩散模型可精准预测多肽三维构象、从头生成功能骨架、模拟多肽 - 靶点相互作用；
3. 功能层面：预训练模型结合微调范式，可实现多肽酶活性、热稳定性、结合亲和力、亚细胞定位、翻译后修饰位点的精准预测与定向改造；
4. 效率层面：深度学习可在数小时内完成传统方法数周的计算任务，批量生成数万条候选序列，大幅降低实验筛选成本。

1.3 本文的结构与核心逻辑

二、深度学习与多肽设计基础：理论、环境与核心工具

2.1 机器学习与深度学习核心基础

2.1.1 机器学习基本范式

1. 监督学习：基于标注数据（序列 - 功能、序列 - 结构、序列 - 亲和力）训练模型，输出连续值（回归，如亲和力预测）或离散值（分类，如功能类型预测），是多肽性质预测的主流范式；
2. 无监督学习：基于无标注数据学习数据分布、特征聚类、共进化规律，是蛋白质语言模型预训练的核心范式；
3. 生成式学习：学习数据的潜在分布，生成全新的、符合物理规则与功能要求的多肽序列或结构，是多肽从头设计的核心范式；
4. 对比学习：通过学习相似样本与差异样本的特征距离，提升特征表达质量，广泛应用于多肽功能挖掘与靶点识别。

2.1.2 深度学习核心架构适配多肽与蛋白质

1. 卷积神经网络（CNN）：擅长提取局部空间特征，用于多肽序列基序识别、结构局部特征提取、口袋分析；
2. 循环神经网络（RNN）/LSTM/GRU：擅长处理序列数据，用于早期蛋白质语言模型、多肽序列生成；
3. Transformer：基于自注意力机制，可捕捉长程依赖关系，是当前蛋白质语言模型（ESM 系列、Progen）、结构预测模型（AlphaFold2）的核心架构，完美适配多肽序列的长程共进化与结构关联；
4. 图神经网络（GNN）/ 几何深度学习：将蛋白质 / 多肽视为原子或残基构成的图，捕捉三维空间相互作用，用于结构预测、序列设计、结合界面分析；
5. 扩散模型：通过逐步去噪生成三维结构，是当前蛋白质 / 多肽从头骨架设计、全原子生成的主流架构。

2.1.3 多肽与自然语言的类比：蛋白质语言模型的理论基础

1. 预训练：在海量无标注多肽 / 蛋白质序列上训练模型，学习氨基酸的共进化规律、保守性、空间关联；
2. 微调：在少量标注数据上优化模型，实现特定功能预测（如抗菌肽识别、酶活性预测、亲和力优化）。

2.2 蛋白质与多肽结构基础

2.2.1 结构层次与多肽特征

1. 一级结构：氨基酸线性排列，决定多肽的理化性质，是所有计算的基础；
2. 二级结构：α- 螺旋、β- 折叠、无规卷曲，多肽因长度短，二级结构更灵活，环肽、大环肽具有稳定的二级结构；
3. 三级结构：多肽链的三维折叠，决定结合模式、催化活性与功能，短肽多为动态构象，环肽具有刚性构象；
4. 四级结构：多肽与蛋白质、小分子、核酸形成的复合物，是多肽发挥功能的主要形式。

2.2.2 多肽结构的核心特性

1. 构象动态性：短肽在溶液中多为柔性构象，环肽通过二硫键、酰胺键固定构象，稳定性提升；
2. 界面依赖性：多肽功能依赖与靶点的相互作用界面，界面残基的保守性、疏水性、电荷分布决定亲和力；
3. 尺寸适配性：多肽分子量小，可穿透细胞膜、结合蛋白质口袋、识别抗原表位，适配小分子无法靶向的位点。

2.3 计算环境搭建：Linux、Python 与编程工具

2.3.1 Linux 系统基础

1. 核心命令：文件管理（ls、cd、mkdir、rm、cp、mv）、权限管理（chmod、chown）、进程管理（ps、top、htop、kill）、软件安装（apt、yum、conda、pip）；
2. 集群使用：SSH 远程连接、SLURM/SGE 任务提交（sbatch、qsub）、环境变量配置（~/.bashrc）；
3. 适配多肽工具：BLAST、HHsuite、MAFFT、PyMOL、AlphaFold、RFdiffusion 均优先支持 Linux，Windows 用户可通过 WSL2、Docker 配置兼容环境。

2.3.2 Python 核心基础

1. 核心数据结构：列表（存储多肽序列）、字典（存储序列 - 属性映射）、NumPy 数组（数值计算）、Pandas 数据框（多肽数据管理）；
2. 核心库：
   • 基础计算：NumPy、SciPy；
   • 数据处理：Pandas；
   • 可视化：Matplotlib、Seaborn；
   • 深度学习：PyTorch、TensorFlow、JAX；
3. 多肽实操基础：读取 FASTA 序列、计算分子量 / 等电点 / 疏水性、解析 PDB 结构、批量处理序列数据。

2.3.3 核心编程工具

1. VS Code：轻量级编辑器，支持 Remote-SSH 远程集群开发、Python 调试、生物信息语法高亮，适配全流程代码编写；
2. Jupyter Notebook/Lab：交互式编程环境，支持代码、文本、可视化、结构展示融合，适合多肽数据预处理、结果分析、案例复现；
3. Conda：虚拟环境管理工具，创建独立环境避免版本冲突，是安装生物信息库与深度学习框架的标准方式。

2.4 多肽与蛋白质核心数据库

1. 序列数据库：UniProt（实验验证的多肽 / 蛋白质序列，含功能注释）、NCBI NR（非冗余蛋白库）、Antimicrobial Peptide Database（APD，抗菌肽专用）、CyBase（环肽数据库）；
2. 结构数据库：PDB（实验解析的三维结构，含多肽复合物）、AlphaFold DB（预测蛋白质 / 多肽结构）、PDBbind（多肽 - 蛋白 - 小分子结合数据）；
3. 功能数据库：GotEnzyme（酶活性数据）、DLKcat（酶催化效率数据）、DisProt（固有无序蛋白 / 多肽数据）。

2.5 序列 - 结构分析与可视化工具

2.5.1 同源序列搜索与 MSA 构建

1. BLASTp：基础序列比对，适配多肽短序列搜索，调整 E-value 与词长参数提升准确性；
2. HHblits/HHpred：基于隐马尔可夫模型（HMM），精准搜索远同源序列，解决多肽同源性低的问题；
3. MAFFT/Clustal Omega：高效构建 MSA，输出标准化格式，适配 AlphaFold、ESMfold 输入。

2.5.2 结构可视化工具

1. PyMOL：多肽结构可视化黄金工具，支持加载 PDB、显示主链 / 侧链、着色（二级结构、疏水性、电荷）、测量残基距离、展示多肽 - 靶点界面、批量渲染图片；
2. Mol*：Web 端可视化工具，无需本地安装，支持 AlphaFold3、ESMFold 预测结构在线查看，适配教学与快速分析。

2.5.3 序列与结构自动化分析

1. Biopython：SeqIO 模块处理 FASTA 序列，PDB 模块解析三维结构，批量计算多肽理化性质、二级结构；
2. Biotite：优化多肽结构分析效率，支持 MSA 处理、结构比对、残基相互作用计算；
3. Fpocket/Point-site：精准识别蛋白质表面结合口袋，预测活性位点与变构位点，为多肽结合设计提供靶点。

三、深度学习与传统蛋白质 / 多肽设计方法的核心差异

3.1 传统设计方法：物理力场与统计势

1. 全原子能量函数：计算范德华力、氢键、静电相互作用、疏水作用、二面角能量，优化序列与结构使其能量最低；
2. 统计势：从天然蛋白质 / 多肽结构中统计残基相互作用频率，构建评分函数；
3. 局限性：计算成本高、依赖初始构象、难以描述多肽动态构象、无法高效探索序列空间、对复合物体系适配性差。

3.2 深度学习设计方法：数据驱动的特征学习

1. 几何深度学习：聚焦三维结构特征，适配多肽空间构象与相互作用界面；
2. 蛋白质语言模型：聚焦序列特征，学习共进化规律与功能基序；
3. 扩散模型：聚焦结构生成，从头合成符合功能要求的多肽骨架；
4. 核心优势：计算效率高、泛化能力强、可处理柔性构象与复合物体系、批量生成候选分子。

3.3 深度学习与传统方法的互补性

1. 传统方法提供物理合理性验证：深度学习生成的序列 / 结构，需通过 Rosetta 能量评分、分子动力学模拟验证稳定性；
2. 深度学习提供高效探索能力：快速生成候选分子，缩小传统方法的计算范围；
3. 工程化流程：深度学习生成→传统方法筛选→实验验证，是当前多肽设计的标准流程。

3.4 深度学习在多肽设计中的核心优越性

1. 突破短肽同源性限制：无需同源序列即可预测结构、设计功能；
2. 高效遍历序列空间：数小时生成数万条候选序列，远超传统方法；
3. 精准捕捉功能关联：学习序列 - 功能的隐式规律，定向优化活性、稳定性、亲和力；
4. 适配柔性构象：有效处理多肽动态结构与结合界面；
5. 降低实验成本：大幅减少无效筛选，缩短研发周期。

四、蛋白质与多肽结构预测：从传统方法到深度学习革命

4.1 前深度学习时代的结构预测方法

1. 同源建模：Swiss-Model、MODELLER、I-TASSER，依赖高同源序列，对多肽预测精度极低；
2. 折叠匹配：Phyre2、RaptorX、HHpred，基于结构模板匹配，适配远同源蛋白，不适配短肽；
3. 从头折叠：Rosetta ab initio、QUARK，基于物理力场折叠，计算成本极高，无法稳定预测多肽构象；
4. 分子对接：AutoDock Vina，预测多肽 - 小分子、多肽 - 蛋白结合模式，依赖初始构象，精度有限。

4.2 深度学习结构预测核心模型

4.2.1 RaptorX-Contact

4.2.2 AlphaFold2

1. 输入：MSA + 模板特征；
2. EvoFormer：基于注意力机制提取共进化与结构特征；
3. Structural Module：预测原子坐标，实现端到端结构生成；
4. 多肽应用：可预测短肽、环肽结构，精度接近实验水平。

4.2.3 AlphaFold3

1. 扩散模型：生成全原子复合物结构；
2. 训练数据：PDB 所有实验复合物结构；
3. 优势：精准预测多肽与蛋白质、小分子的结合模式，适配药物设计。

4.2.4 ESMfold

1. 输入：单序列（无需 MSA）；
2. 核心：ESM2 预训练模型提取序列特征，直接生成三维结构；
3. 多肽优势：单序列输入、秒级预测、批量处理，适配大规模短肽筛选。

4.3 AlphaFold2/3 与 ESMfold 实操流程

1. 数据准备：FASTA 格式多肽序列；
2. MSA 构建（AlphaFold）：HHblits 搜索同源序列；
3. 模型运行：本地部署 / 在线服务器（AlphaFold Server、ColabFold）；
4. 结果分析：pLDDT（结构置信度）、PAE（相对误差）、界面亲和力、构象稳定性。

4.4 多肽结构预测的核心要点

1. 短肽预测：ESMfold 单序列预测效率更高；
2. 环肽 / 刚性肽：AlphaFold3 复合物预测精度更高；
3. 结合肽：优先使用 AlphaFold3 预测多肽 - 靶点复合物结构；
4. 置信度判断：pLDDT > 70 为可靠结构，pLDDT > 90 为高精度结构。

五、固定主链多肽与蛋白质序列设计：定向优化功能序列

5.1 传统固定主链设计方法

1. RosettaDesign：基于全原子力场优化序列，计算成本高，适合小规模优化；
2. ABACUS：基于统计势快速评分，效率高于 Rosetta，精度有限。

5.2 深度学习序列设计核心模型

5.2.1 ESM-IF

1. 原理：融合序列语言特征与三维结构特征，预测每个残基的最优氨基酸；
2. 应用：多肽亲和力优化、功能基序改造、可溶性提升。

5.2.2 ProteinMPNN

1. 优势：速度快、精度高、适配复合物体系、支持条件设计（指定残基不变）；
2. 核心逻辑：以三维主链为输入，预测每个位置的氨基酸概率分布，生成高适应性序列；
3. 多肽应用：抗菌肽序列优化、环肽稳定性提升、结合肽界面设计。

5.2.3 ProteinMPNN 衍生模型

1. LigandMPNN：支持多肽 - 小分子结合界面序列设计；
2. SolubleMPNN：定向提升多肽可溶性；
3. ThermoMPNN：定向提升多肽热稳定性。

5.2.4 其他序列设计模型

1. DenseCPD：基于 CNN 的序列设计，适合局部基序优化；
2. ABACUS-R：统计势与深度学习融合，效率与精度平衡；
3. CarbonDesign/CARBonAra：环境感知型序列设计，适配不同 pH、温度条件。

5.3 固定主链设计的实验验证案例

1. 新骨架蛋白质表达量优化：通过 ProteinMPNN 优化序列，提升可溶性表达量，Science 论文复现；
2. 抗体亲和力优化：固定抗体骨架，优化 CDR 区序列，提升抗原结合亲和力，Science 论文复现；
3. 酶肽性质优化：结合进化信息，优化酶活性中心序列，提升催化效率与稳定性，JACS 论文复现。

5.4 实操流程

1. 输入：固定主链 PDB 结构；
2. 模型设置：指定不可变残基、结合位点、功能位点；
3. 序列生成：批量生成 100~1000 条候选序列；
4. 筛选：基于 ESM 评分、Rosetta 能量、溶解度、稳定性排序；
5. 实验验证：基因合成、表达纯化、功能检测。

六、深度学习驱动从头骨架设计：生成全新功能多肽与蛋白质

6.1 传统从头设计方法

1. 结构域拼接：基于天然结构域重组，创新空间有限；
2. SCUBA：无侧链力场折叠，计算成本高，难以生成功能化骨架。

6.2 几何深度学习与表面识别

6.3 扩散模型驱动的从头骨架设计

6.3.1 FrameDiff

6.3.2 Chroma

6.3.3 RFdiffusion 系列

1. RFdiffusion：生成主链骨架，适配结合肽、功能域、抗体肽设计；
2. RFdiffusion2/3：实现从骨架到全原子生成，支持多肽 - 小分子、多肽 - 蛋白、酶活性中心的联合设计；
3. 优势：可指定结合靶点、活性位点、功能界面，定向生成功能骨架。

6.3.4 其他全原子设计模型

6.4 RFdiffusion 实验验证案例（均为 2024-2025 年发表高水平论文）

1. 抗蛇毒中和蛋白从头设计：生成靶向蛇毒蛋白的结合肽，实现体内中和活性，Nature；
2. 丝氨酸水解酶计算设计：从头生成酶肽骨架，构建催化中心，Science；
3. 固有无序蛋白结合肽设计：生成靶向无序区域的多肽，Nature；
4. 构象依赖细胞因子结合肽设计：识别动态构象，生成高特异性结合肽，Nature；
5. 钙离子通道肽设计：从头生成靶向离子通道的功能肽，Nature。

6.5 基于 RFdiffusion3 的功能肽设计流程

1. 靶点分析：表位选取、可设计性评估、口袋识别；
2. 骨架生成：指定结合位点、功能基序、空间约束；
3. 序列设计：结合 ProteinMPNN 优化序列；
4. 类型分类：
   • 指定位点结合肽；
   • 核酸结合肽；
   • 小分子结合肽；
   • 酶活性肽。

6.6 酶肽从头设计

1. Theozyme：理论酶活性中心定义，确定催化残基与空间构型；
2. 骨架生成：RFdiffusion3 生成适配活性中心的骨架；
3. 序列优化：ProteinMPNN 优化周围残基，提升催化效率与稳定性；
4. 验证：分子动力学模拟、体外酶活检测。

七、面向功能的多肽定向设计、改造与挖掘

7.1 蛋白质语言模型与功能设计

7.1.1 核心架构

7.1.2 ESM 系列模型

1. ESM-1/2：预训练蛋白质语言模型，捕捉共进化规律，支持多肽功能预测、突变效应评估、序列生成；
2. MSA Transformer：利用 MSA 特征提升预测精度；
3. ESM3：多模态模型，融合序列、结构、功能，支持端到端多肽设计。

7.1.3 条件式生成模型

1. Progen：生成式多肽 / 蛋白质语言模型，可按功能要求生成全新序列；
2. ZymCTRL：条件式酶肽生成模型，定向生成催化特定反应的多肽。

7.2 非自回归生成模型

1. ProteinGAN：对抗生成网络，生成高多样性多肽序列；
2. DeepEvo：定向生成耐热酶肽；
3. Prot-VAE：变分自编码器，控制序列多样性与功能平衡；
4. P450Diffusion：扩散模型设计 P450 酶肽，适配药物代谢与催化合成。

7.3 功能肽设计后评估指标（实验可验证）

1. 天然序列相似性：避免同源免疫原性；
2. 多样性：保证候选分子的结构差异；
3. 结构合理性：pLDDT、能量评分、构象稳定性；
4. 理化性质：溶解度、等电点、疏水性、热稳定性；
5. 功能预测：活性、亲和力、特异性、亚细胞定位。

7.4 多肽酶学性质预测与改造

1. DLKcat/GotEnzyme：酶催化效率预测数据库与模型；
2. UniKP：基于预训练模型挖掘与改造多肽酶 Kcat 值；
3. CLEAN：对比学习预测 EC 号，挖掘稀有脱卤酶肽。

7.5 多肽热稳定性改造

1. MutCompute：突变效应预测，改造 PETase 酶肽，提升耐热性，Nature 论文；
2. ThermoMPNN：定向生成热稳定多肽序列；
3. Pythia：预训练模型预测热稳定突变。

7.6 机器学习辅助多肽定向进化

1. 零样本突变效应预测：无需实验数据，预测突变后功能变化，快速优化基因编辑酶肽；
2. Low-N 策略：少量实验数据结合模型，高效优化多肽；
3. Evo-tuning：进化信息微调预训练模型，提升功能预测精度；
4. ECNet：酶催化效率预测；
5. 相互作用突变效应：预测多肽 - 靶点结合的关键突变。

7.7 自定义神经网络训练（适配个人实验数据）

1. 框架：PyTorch/TensorFlow；
2. 流程：数据收集整理→特征提取（序列 / 结构）→预训练模型选取→模型训练→测试→新突变预测；
3. 应用：针对自有多肽体系，训练专用预测模型，实现定制化设计。

7.8 深度学习辅助新功能肽挖掘

1. 基因编辑脱氨酶挖掘：Cell 论文复现，从宏基因组中挖掘新型脱氨酶肽；
2. 肠道微生物胆汁酸代谢酶肽鉴定：Cell 论文；
3. 耐热塑料水解酶肽挖掘：Nature Communications 论文；
4. FoldSeek：基于结构的同源搜索，突破序列相似性限制，挖掘全新功能肽。

八、总结与展望

8.1 核心总结

8.2 未来展望

1. 多模态模型融合：整合序列、结构、功能、翻译后修饰、细胞环境，实现更精准的多肽设计；
2. 全原子动态设计：结合分子动力学与深度学习，预测多肽在生理环境下的动态功能；
3. 临床导向设计：直接优化多肽的成药性、半衰期、靶向性、安全性，缩短从设计到临床的周期；
4. 宏基因组挖掘：结合深度学习与宏基因组数据，挖掘自然界未被发现的新型功能肽；
5. 自动化平台：构建 “设计 - 预测 - 合成 - 检测 - 迭代” 的全自动多肽研发平台，实现智能化、高通量创新分子产出。

8.3 应用价值

本文可为多肽药物研发、合成生物学、酶工程、农业生物等领域的科研人员与工程技术人员提供完整的技术指南，推动深度学习技术在多肽创新分子研发中的规模化应用，加速生物医药、生物制造、农业生物等领域的技术突破。

深度学习驱动的蛋白质与多肽分子设计：从基础理论、核心算法到工程化应用与实验落地