- 22 次围观
携带大环化以及其他多种特殊结构修饰的肽类构成了肽类治疗药物中的一个主要类别，然而其化学空间在很大程度上仍难以通过计算生成方法进行探索。本文提出 PepForge，这是一个用于肽生成的深度学习平台，通过利用大分子分层编辑语言（Hierarchical Editing Language for Macromolecules, HELM）表示法，借助布局—内容—连接（Layout-Content-Connection, LCC）级联，将生成任务分解为模块布局、单体内容和特殊连接预测，从而能够访问修饰肽的化学空间。该 LCC 级联模型在 383,817 条 HELM 肽数据上进行训练，涵盖 425 种单体和 9 种连接类型。 除从头生成外，LCC 级联还支持用于定向骨架修饰的掩码填充，以及多层级约束生成。单体库和连接类型集合均支持用户自定义扩展，以探索更广泛的化学空间。预测模块与生成过程解耦，并可接受任意评分头以支持下游任务。作为示范，我们构建了一个抗菌效力集成预测器，在包含 11,026 条具有最小抑菌浓度（minimum inhibitory concentration, MIC）数值的肽数据上进行了训练，并结合外部的 PeptiVerse 预测器。在大规模应用中，我们生成了 478 万条新型 HELM 肽，并在经过效力和安全性筛选后获得了 799 个在结构上新颖的命中抗菌肽（antimicrobial peptide, AMP）候选物。所有代码、预训练模型以及用于交互式使用的 Web 界面均已公开发布，地址为 https://github.com/wqx1999/PepForge。
携带大环化等特殊连接以及多种其他结构修饰的肽类，构成了肽类治疗药物中的一个重要类别，然而其化学空间在很大程度上仍无法被计算生成方法所触及。本文提出 PepForge，这是一种用于肽生成的深度学习平台，通过利用大分子层次编辑语言（Hierarchical Editing Language for Macromolecules, HELM）表示法，借助布局—内容—连接（Layout-Content-Connection, LCC）级联，将生成任务分解为模块布局、单体内容和特殊连接预测，从而能够访问修饰肽的化学空间。该 LCC 级联模型在 383,817 条 HELM 肽上进行训练，涵盖 425 种单体和 9 种连接类型。
除从头生成外，LCC 级联还支持用于定向骨架修饰的掩码填充生成以及多层级约束生成。单体库和连接类型集合均支持用户自定义扩展，以探索更广泛的化学空间。预测模块与生成过程解耦，并可接受任意评分头以适配下游任务。作为示范，我们构建了一个抗菌效力集成预测器，在 11,026 条具有最小抑菌浓度（minimum inhibitory concentration, MIC）值的肽上进行训练，并结合外部的 PeptiVerse 预测器。在大规模应用中，我们生成了 478 万条新型 HELM 肽，并在经过效力和安全性筛选后获得了 799 个在结构上新颖的命中抗菌肽（antimicrobial peptide, AMP）候选物。所有代码、预训练模型以及用于交互式使用的 Web 界面均已公开发布于 https://github.com/wqx1999/PepForge。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.05.29.728379v1?rss=1
🏷️ 肽生成 深度学习 HELM表示 抗菌肽设计 分子生成