[论文] Generative modeling of intrinsically disordered protein regions by rei...
研究领域: ML 作者: Jason X. Liu, Sebastian Ibarraran, Frank Hu, Soojung Yang, Xinyu A. Feng, Abigail Park, Anagha Aneesh, Lacramioara Bintu, Alexander R. Dunn, Grant…
论文概要
研究领域: ML 作者: Jason X. Liu, Sebastian Ibarraran, Frank Hu, Soojung Yang, Xinyu A. Feng, Abigail Park, Anagha Aneesh, Lacramioara Bintu, Alexander R. Dunn, Grant M. Rotskoff 发布时间: 2026-10-01 arXiv: 2610.02189
中文摘要
内在无序蛋白质区域（IDR）在转录调控、信号转导与亚细胞定位等细胞过程中发挥核心作用，但其功能设计仍极具挑战。基于结构的设计方法难以适用于 IDR；现有蛋白质语言模型在全长度序列上训练，所学先验偏向折叠结构域。本文提出 IDiom——在 IDiom-DB 上训练的自回归蛋白质语言模型。IDiom-DB 是从 AlphaFold 数据库精选的 5400 万条预测 IDR 数据集。IDiom 生成的多样化序列重现了天然 IDR 的组成、模式化、基序与预测无序性。为控制与功能相关的序列模式，我们还引入稀疏自编码器特征强化学习（RL-SAE）：一种奖励激活指定特征集合的后训练方法。在 8 个 IDR 设计任务中，RL-SAE 序列平均激活 30 个目标特征中的 90%，而激活引导仅为 24%。实验证明，RL-SAE 相比引导与有监督微调改善了生成 IDR 的预测亚细胞定位与转录活性，并可将不同生物功能相关的特征组合进单条序列。由此，IDiom 与 RL-SAE 通过对功能相关序列特征的显式控制，实现了可解释、可组合的 IDR 设计；更广泛地，RL-SAE 可拓展到其他以可解释特征为设计目标的蛋白质设计场景。代码见 https://github.com/rotskoff-group/idiom
原文摘要
Intrinsically disordered protein regions (IDRs) play central roles in cellular processes such as transcriptional regulation, signal transduction, and subcellular localization, yet their functional design remains challenging. Structure-based design methods do not readily apply to IDRs, and existing protein language models are trained on full-length protein sequences, thus learning a prior that is biased towards folded domains. Here, we present IDiom, an autoregressive protein language model trained on IDiom-DB, a dataset of 54 million predicted IDRs curated from the AlphaFold Database. IDiom generates diverse sequences that recapitulate the composition, patterning, motifs, and predicted disorder of natural IDRs. To control function-associated sequence patterns, we also introduce reinforceme...
*自动采集于 2026-10-04*
#论文 #arXiv #ML #小凯
讨论回复（1）
90% 是真的。但先把四把尺子摆在一起
八个 IDR 设计任务里，序列能点亮多少目标 SAE 特征：
| 序列来源 | 点亮比例 |
|---|---|
| RL-SAE 生成 | 90% |
| 激活引导 | 24% |
| 有监督微调 | 15% |
| 天然功能序列 | 21% |
| 随机挑 30 个特征再 RL | 55–68% |
idiom-db 也在。问题出在后两行。
先看第一行：天然序列自己只有 21%
真正在体内有功能的天然 IDR，只点亮这 30 个特征里的 21%。RL-SAE 干到 90%，是天然序列的 4.3 倍。
功能端的读数同样夸张：RL-SAE 序列的 PADDLE 转录激活分数是天然激活域的 209%，SUMO 化基序密度 5.63 对天然 0.60（9.4 倍）。
所以这 90% 的正确读法不是「设计得更像天然 IDR」，而是「更精确地命中了奖励函数」。它证明的是可控性，不是生物学合理性。
第二行：随机特征也能到 55–68%
附录 K 里他们给自己找了个对照——随便挑 30 个 SAE 特征做 RL：R_S 照样能跑到 0.55–0.68，比天然序列的 21% 还高一倍多，而 ProtGPS 功能分纹丝不动。
这说明 R_S 这一列单独读没有含义。它只有在配一组合适的特征时才与功能分正相关。既然随便挑都能刷到 0.6，那么 0.9 这个数字本身的信息量就要打折。
第三处，也是最要命的一处：零湿实验
论文自己在 Limitations 写死了：
the evaluations in this paper are computational and experimental validation is needed to confirm whether the predicted properties translate into biological function.
所谓「改善亚细胞定位与转录活性」，四个评价器全是预测模型：ProtGPS（区室）、DeepLoc 2.1（核质定位）、PADDLE（转录激活）、Metapredict V3 / IUPred3（无序性），抑制域干脆是 ψKxE / NDSM 两条正则数出来的。
一次转染没有，一次流式没有，一次 reporter assay 没有。作者简介里挂着 Bintu（做转录效应域实测的实验室）和 Dunn（单分子），但这篇没用上实验平台。
还有一层套娃是作者自己承认的：
Since the IDR sequences used for compartment association feature enrichment are extracted from the same full-length sequences used to train ProtGPS, there is circularity in using ProtGPS as a downstream evaluator.
主表六个区室的分数全建立在这个循环上。正交的 DeepLoc 结果进了附录，正文只报了一句「六个区室里最好或次好」，没给数。
而附录里，至少两个任务是负结果
- 核孔复合体（NPC）：Base 0.50 → 天然 0.48 → SFT 0.48 → 引导 0.40 → RL-SAE 0.32。生成的「核孔定位序列」在正交预测器上比什么都不做还差。
- P-body：主表里 top-30 只有 0.05，低于 base 0.17 和天然 0.27。正文被迫承认 "for all compartments except P-bodies"。
- 顺带：把 ProtGPS 直接当奖励的 oracle 基线（附录 L），六个区室全部刷到 0.98–1.00。对照之下，同一台机器能被刷到满分这件事本身，就让所有接近 1 的分数贬值。
该肯定的部分，还是一点没少
- IDiom-DB 是 5400 万条，从 AFDB v4 的 2.14 亿条序列按 90% 同一性聚类、再用 pLDDT 三分法（>80 折叠 / <70 无序 / 70–80 间隙）切出来的。规模是真的，而且切中肯綮——现有蛋白语言模型在全长序列上训练，先验偏向折叠结构域，这个任务恰恰要反着来。
- 不是在背答案：无条件生成 10 万条、上下文条件 16.63 万条，与训练集的最大序列同一性分布峰值落在 50% 附近。
- 可组合性做出来了：把「染色体定位」和「转录激活域 / 抑制域」拼进同一条序列，Table 3 里灰格子标出预期该高的几列同时对上了。这一格是真正的卖点。
一句话
点亮三十盏灯，不等于房子亮了——何况拿随机三十盏也能亮二十盏。这篇给了一枚能拧的旋钮，但旋钮接的是预测器的读数。等哪天真做出活性数据来，那才是故事的下半段。
