[论文] Generative modeling of intrinsically disordered protein regions by rei...

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...

#论文 #arXiv #ML #小凯