Full-Atom Peptide Design based on Multi-modal Flow Matching

本文介绍了PepFlow，这是第一个基于流匹配框架的多模态深度生成模型，用于设计针对特定蛋白质受体的全原子肽。肽是由氨基酸残基组成的短链，在许多生物过程中通过与其他目标分子相互作用发挥着重要作用，具有巨大的药物发现潜力。我们从氨基酸残基骨架方向和侧链动态在蛋白质-肽相互作用中的关键作用中获得灵感，使用$\mathrm{SE}(3)$流形内的刚性骨架框架和高维环面上的侧链角度来表征肽的结构。此外，我们将肽序列中的离散残基类型表示为概率单纯形上的分类分布。通过学习每种模态的联合分布，使用对应流和矢量场在相应的流形上，我们的方法在全原子肽的精细设计方面表现出色。通过利用多模态范式，我们的方法能够通过部分采样灵活地解决各种任务，例如修复骨架序列设计和侧链包装。通过精心设计的实验，我们证明了PepFlow在全面的基准测试中表现出卓越的性能，突显了其在计算肽设计和分析中的重要潜力。

本论文旨在通过提出PepFlow模型，解决蛋白质肽段设计中的问题，为药物发现提供帮助。

PepFlow是一种多模式深度生成模型，结合了流匹配框架，采用刚性骨架和高维环面上的侧链角度对肽段结构进行建模，并将离散残基类型表示为概率单纯形上的分类分布。通过学习每种模式的联合分布，使用相应流和矢量场来进行建模，从而在全原子肽段设计中表现出优秀的性能。

PepFlow模型的亮点包括：1. 采用多模式框架，能够有效地进行全原子肽段设计；2. 实现了对刚性骨架和侧链角度的建模；3. 通过部分采样，能够处理不同的任务，如固定骨架序列设计和侧链包装；4. 在实验中，PepFlow表现出优秀的性能，证明其在计算肽段设计和分析方面的巨大潜力。

在该领域的相关研究包括：1. AlphaFold2：通过深度神经网络进行蛋白质结构预测；2. Rosetta：通过蒙特卡洛模拟进行蛋白质结构预测和设计。