编辑推荐：
深度学习已经彻底改变了计算蛋白质设计，使得研究人员能够以空前的准确度生成能够折叠至目标骨架上的序列。然而，最先进的逆向折叠工具在很大程度上依赖于自回归采样。尽管这种范式功能强大，但其无法“提前思考”的缺陷正日益凸显，而这种能力是可靠地构建大多数生物功能所需的复
深度学习已经彻底改变了计算蛋白质设计，使得研究人员能够以空前的准确度生成能够折叠至目标骨架上的序列。然而，最先进的逆向折叠工具在很大程度上依赖于自回归采样。尽管这种范式功能强大，但其无法“提前思考”的缺陷正日益凸显，而这种能力是可靠地构建大多数生物功能所需的复杂、长程残基间相互作用所至关重要的。为了克服这些基本局限，研究人员引入了EffieDes，这是一个将深度学习的预测能力与自动推理的逻辑精确性相结合的生成式神经符号人工智能框架。EffieDes利用深度学习将目标骨架的适应度景观编码到一个完全可分解的概率图模型（Potts模型）即Effie中。随后，通过自动推理证明器可以对该景观进行严密探索，以识别出同时满足复杂设计约束并优化骨架适应度的序列。研究人员通过对设计采用相同折叠但表现出选择性自组装的正交序列对，以及设计对免疫逃逸型SARS-CoV-2变异株具有纳摩尔亲和力的从头选择性纳米抗体，验证了这一神经符号方法。EffieDes为精确剖析已学习的适应度景观提供了一个稳健的架构，为获得具有高度优化性能和复杂功能目标的蛋白质开辟了一条新路径。
研究背景与问题：蛋白质是生命的基础分子机器，但自然界的蛋白质序列仅占理论上可能序列空间的极小部分。计算蛋白质设计旨在通过基于结构的方法探索这一未知领域，其中深度学习模型（DL）极大地推动了该领域的发展。在从结构预测序列的逆向折叠任务中，诸如ProteinMPNN等主流工具广泛采用自回归采样范式。然而，类似于大语言模型（LLM）的“下一个Token预测”机制，自回归采样存在无法“提前思考”的固有缺陷。由于残基是顺序解码的，模型无法根据后续出现的全局约束回溯并重新考虑先前的选择，这极易导致生成过程陷入次优的局部最优解。此外，学习自回归采样的全条件概率空间存在计算复杂度极高的难题，使得纯深度学习模型在处理复杂的从头设计问题时数据效率低下且泛化能力受限。
研究内容与结论：为了克服上述局限，研究人员开发了一种名为EffieDes的生成式神经符号架构，该研究发表在《Advanced Science》上。该框架旨在将深度学习的预测能力与自动推理的逻辑精确性相融合，将适应度估计与序列采样过程分离开来。EffieDes能够精确剖析已学习的适应度景观，并且允许在无需重新训练模型的情况下通过添加外部约束进行条件控制。该研究为设计具备高度优化性能和能够实现复杂功能目标的蛋白质提供了一条全新路径，具有突破复杂蛋白质设计瓶颈的重要科学意义。
关键技术方法：研究人员的核心技术手段为深度学习与符号求解器的结合。首先利用基于蛋白质结构数据训练的神经网络组件EffieNN处理具有SE(3)不变性的骨架特征，输出成对相互作用评分并将其编码为完全可分解的Potts模型。随后，通过应用自动推理证明器求解最大后验概率（MAP）优化问题，识别并生成满足全局约束和最优适应度的蛋白质序列。
研究结果：
EffieNN生成深度学习Potts模型
EffieNN是架构的核心神经组件，研究人员将其设计为输入目标骨架B并生成针对该骨架的特定Potts模型EffieB。在数学形式上，总能量分数被分解为残基对间相互作用的成对项之和，每个矩阵项的大小为20×20，以表示所有可能的氨基酸对选择。这种联合概率分布的直接表示方式避免了低温采样的副作用，并能提供优于变分自编码器等深度神经架构的序列表征能力。该模型可以直接进行优化，并且由于数学形式的一致性，能够极易地与基于物理的设计工具或其他设计约束相结合。
讨论与结论总结：EffieDes作为一个创新的神经符号人工智能框架，成功弥合了深度学习预测与符号逻辑推理之间的鸿沟。通过将目标骨架的适应度景观显式地建模为可分解的Potts模型，该架构从根本上规避了传统自回归采样中缺乏前瞻性且易陷入局部最优的固有缺陷，大幅提升了采样过程的数据效率和逻辑严谨性。此外，EffieDes展示了在无需重新训练神经网络的前提下引入复杂外部约束进行功能性设计的卓越能力，证明了其在多状态设计任务中的可靠性。总之，该架构为精确剖析和探索已学习的适应度景观提供了稳健的基础，标志着在创制具备高度优化性能与复杂功能目标的蛋白质分子工程方面迈出了关键一步。
