《ACS Nano》：Morphology-Aware Peptide Discovery via Masked Conditional Generative Modeling
编辑推荐：
本文聚焦肽自组装形态的预测难题，提出了一种端到端的多肽发现框架PepMorph。研究人员通过构建集成数据集，并训练一种支持掩码机制的Transformer条件变分自编码器，能够基于分离多肽描述符（作为形态代理）生成倾向于形成特定形态（如纤维状或球状）的序列。经粗粒化分子动力学模拟验证，该框架生成的多肽在靶向形态上成功率高达83%。此项工作为按需设计功能性超分子材料提供了一条灵活且高效的生成路径。
在生物医学、能源等众多领域，设计和合成具有特定形貌的功能材料是至关重要的。多肽，凭借其优异的生物相容性和化学可调性，成为了理想的分子“积木”，能够通过自下而上的自组装策略形成纤维、囊泡、球体等多种纳米结构。然而，从天文数字般的多肽序列空间中，大海捞针般地筛选出能够形成特定目标形貌的序列，是一项巨大的挑战。传统的试错法合成效率低下，而依赖专家经验和现有启发式规则的设计又常常带有偏见，难以捕捉到意想不到的解决方案。更关键的是，即使找到了易于聚集的多肽，其最终的形貌才是决定材料功能的核心，而连接序列与形貌的数据却极为稀缺且标注不一。为了破解这一难题，研究人员在《ACS Nano》上发表了一项名为“PepMorph”的研究，旨在通过条件生成模型，实现对多肽自组装形态的有导向设计。
研究人员综合运用了多项关键技术。首先，他们从Wang et al. (2023)、Teijlingen & Tuttle (2025)等来源及随机采样序列中，精心构建了一个包含超过16万条独特多肽（长度3-10个氨基酸）的PepMorph数据集，并利用PEP-FOLD工具预测了其中大量序列的三维结构，进而计算了β-折叠倾向、疏水矩、净电荷等单体水平描述符作为形态代理。其次，他们设计并训练了一个基于Transformer架构的条件变分自编码器(CVAE)，其核心创新在于引入了掩码机制，允许在生成时仅对部分描述符（如长度、目标形貌相关特征）进行条件约束，而其他特征可保持自由，从而实现了灵活的、面向任意子集的生成。在生成序列后，研究者还建立了一个后处理过滤管道，利用专门训练的聚集倾向性(AP)回归器和自组装/不自组装(SA/no-SA)分类器，结合PEP-FOLD结构预测，确保生成的候选序列同时满足聚集要求和预设的代理描述符目标。最后，他们采用粗粒化分子动力学(CG-MD)模拟，在MARTINI 2.2力场下对所有最终候选序列进行三重重复模拟，通过计算最终聚集体的主惯性矩比值(RMOI)和视觉检查，严格验证了生成多肽的聚集行为和形貌。研究结果显示，在严格的形态导向条件下生成的候选肽，在CG-MD验证中表现出很高的成功率，有力地支持了该框架的有效性。
研究结果与讨论
- •
数据集构建与特征
研究人员整合了多个来源的聚集倾向性数据，并添加了大量随机序列以平衡氨基酸组成，最终形成了一个包含161,120条独特多肽的数据集。该数据集不仅包含序列、长度、AP值和SA/no-SA标签，还通过PEP-FOLD预测获得了约8万条序列的单体水平三维描述符，如是否有β-折叠、疏水矩和净电荷。这些描述符的分布呈现出不平衡性，例如具有β-折叠的序列非常罕见，这反映了真实数据的挑战，而掩码机制能够自然地处理这种稀疏性。
- •
PepMorph模型与生成性能
研究团队开发了核心生成模型——一个带有掩码机制的Transformer条件变分自编码器。该模型允许用户指定任意子集的描述符作为生成条件，未被指定的特征则通过模型的先验分布进行边缘化处理。评估表明，模型在未见过的测试集上表现良好（困惑度约1.67），生成的序列具有高新颖性（97.7%为新序列）和多样性（序列间相似性低于10%）。随着设定的条件数量增加，同时满足所有条件的序列比例会下降，这符合预期，但也表明模型在灵活性与精确控制间取得了平衡。
- •
条件泛化与样本评估
通过从训练数据分布中采样条件向量进行评估，模型生成的肽序列在氨基酸频率上紧密遵循训练分布，与训练集最邻近序列的归一化编辑距离中位数较高（0.375），说明其探索了新的序列空间。条件匹配率在长度上接近完美（99.72%），在AP和SA/no-SA标签上超过80%，在所有条件同时匹配时整体成功率为55.21%，证明了模型能够有效响应用户设定的目标。
- •
通过分子动力学模拟验证形态导向
为了验证形态导向假设，研究人员设定了针对“球状”和“纤维状”聚集体的特定代理描述符值范围（例如，球状：短长度、高疏水矩、近中性电荷；纤维状：长长度、具有β-折叠、近中性电荷），并固定自组装标签为“是”。在生成并经过严格的双阶段过滤（先筛聚集倾向，再筛代理描述符匹配）后，他们各选择了15条候选肽进行CG-MD验证。模拟结果显示，所有30条候选肽都成功形成了聚集体。通过RMOI定量和视觉判读，在目标形态分类上取得了83%的成功率（视觉判读，25/30）。作为对照，仅使用随机序列生成或仅用长度条件生成，在相同筛选预算下得到的符合代理条件的候选肽数量极少，这凸显了在生成阶段引入形态代理条件对于高效发现至关重要。
- •
潜在挑战与模型局限性分析
研究也指出了当前方法的局限。例如，用于验证的形态定量指标RMOI在某些情况下（如聚集体沿模拟盒边界排列时）可能失效。对部分高疏水性序列的原子级模拟也产生了与粗粒化模拟不一致的形貌结果，提示代理描述符的选择和模拟协议的设定共同影响最终结果。此外，数据集中某些特征组合（如短肽且具有β-折叠）极为罕见，这使得满足此类“过约束”条件的生成变得困难，生成的序列在潜在空间中可能偏离预期的条件中心。
结论与展望
该研究成功开发了PepMorph这一端到端的多肽形态导向发现框架。通过掩码条件变分自编码器，该框架能够基于用户指定的、与形貌相关的肽单体描述符，灵活地生成新颖且多样的多肽序列。结合严格的、基于物理模拟的验证流程，证明所生成的序列能以高概率形成目标形貌的聚集体。这项工作在多肽生成建模领域填补了形态导向设计的空白。其掩码条件机制具有描述符无关和可扩展的优点，未来可轻松整合更多、更精准的形态描述符或其他功能属性（如抗菌活性），从而将设计目标从当前的两种形貌扩展到更复杂的结构或多元功能。尽管当前代理描述符的选择和验证协议仍有优化空间，且数据分布的稀疏性带来挑战，但PepMorph为连接多肽序列设计与超分子材料形貌架起了一座强有力的桥梁，为实现真正“按需设计”的功能性肽基材料提供了极具前景的路径。
