西湖大学利用 Transformer 分析百亿多肽的自组装特性，破解自组装法则

多肽是两个以上氨基酸通过肽键组成的生物活性物质，可以通过折叠、螺旋形成更高级的蛋白质结构。多肽不仅与多个生理活动相关联，还可以自组装成纳米粒子，参与到生物检测、药物递送、组织工程中。

然而，多肽的序列组成过于多样，仅 10 个氨基酸就可以组成超过百亿种多肽。因此，人们很难对其自组装特性进行全面系统的研究，进而优化自组装多肽的设计。

为此，西湖大学的李文彬课题组利用基于 Transformer 的回归网络，对百亿种多肽的自组装特性进行了预测，并分析得到了不同位置氨基酸对自组装特性的影响，为自组装多肽的研究提供了强力的新工具。

多肽是两个以上氨基酸通过肽键组成的生物活性物质。多肽合成便利、可生物降解、生物相容性强，且具有丰富的化学多样性，可以组成具有荧光、半导体导电性或是磁性的纳米物质。正因为此，多肽得到了科研界的广泛关注。

然而，也正是因为多肽的多样性，人们暂缺乏预测其自组装倾向 (AP, Aggregation Propensity) 的方法，很难将其转变为有序结构。目前只有极少的多肽能够自组装，形成满足需求的超分子结构，并投入到工业应用中。

图 1：不同自组装探针对 hCA、抗生物素和胰蛋白酶的特异性荧光

过去数十年间，自组装多肽主要是通过生物实验发现的。然而，实验往往需要很长的周期，而且存在一定的倾向性，不利于对大量多肽进行全面的系统研究。

近年来，计算筛选 (Computational Screening) 被广泛用于自组装多肽的设计中。2015 年，Frederix 等人利用粗粒度分子动力学 (CGMD) 分析了三肽的 AP。然而，随着氨基酸数量的增加，多肽序列数量会指数级增长，使 CGMD 的成本大幅增加。

因此，有研究者结合 AI 和 CGMD ，以降低传统方法的分析成本。然而，AI-CGMD 需要大量的训练数据。据推测，十肽 (decapeptide) 的序列超过百亿种，需要 320 万个多肽序列数据。基于上述原因，目前尚无对 5 个以上氨基酸组成多肽 (pentapeptide) 的 AP 预测。

为解决这些问题，西湖大学的李文彬课题组利用基于 Transformer 的回归网络 (TRN)，结合 CGMD，对百亿种多肽的自组装特性进行了预测，得到了五肽和十肽的 AP，并得到了不同位置的氨基酸对多肽 AP 的影响。这一成果已发表于「Advanced Science」。

相关成果已发表于「Advanced Science」

实验过程

训练集：拉丁超立方采样

首先，利用拉丁超立方采样筛选出 8,000 个多肽序列。筛选出的多肽序列通过 CGMD 模型分析得到其 AP。

模型构建：编码与解码

研究人员基于 TRN 构建了 AP 预测模型。模型包括 Transformer 编码器和多层感知机 (MLP) 解码器。Transformer 编码器由输入嵌入层 (Input Embedding)、位置编码器 (Positional Encoding) 和编码块 (Encording Block) 组成。

输入嵌入层用于将多肽的组成单元（即氨基酸）映射到 512 维的连续空间中，位置编码器会输出氨基酸的位置信息。编码块包括自注意网络和前馈神经网络。

Transformer 编码器最终输出一个隐藏层表示的多肽序列。这一序列经过 MLP 降维 5 次后，被压缩为一维向量。MLP 解码器的最后一层会输出多肽的 AP。

图 2：TRN 模型的工作流

a：α-螺旋和 β-折叠的原子模型及 α-螺旋的 CG 模型；

b：通过 CGMD 输出训练数据的流程；

c：TRN 模型示意图。

实验结果

模型预测：提升 54.5%

研究人员对比了 TRN 模型和其他非深度学习模型（支持向量机 SVM、随机森林 RF、临近算法 NN、贝叶斯回归 BR 和线性回归 LR）的 AP 预测表现。

在仅有 8,000 个训练数据时，模型的决定系数 R2 就超过了 0.85，较 SVM 提升了 11.8%，较 RF 提升了 54.5%

图 3：TRN 模型和其他非深度学习模型的性能对比
随着训练数据的增加，TRN 模型的表现随着增加。当训练数据达到 54,000 时，TRN 模型的平均绝对误差 (MAE) 为 0.05，R2 为 0.92。

图 4：训练数据对 TRN 模型性能的影响

上述结果说明，相比非深度学习模型，TRN 模型可以用较少的训练数据达到较高的预测率。同时，随着训练数据的增加，TRN 模型的表现随之提升。

亲水性：APHC 修正

据报道，除 AP 外，多肽的亲水性 (log P) 也会对多肽的自组装产生影响。

当 AP 自低向高增长时，log P 的中位数随之降低，说明亲水性强的多肽聚集能力较差。然而，log P 位于 0.25-0.75 之间的多肽 AP 跨度很大，分布在 0-1 之间，说明二者的联系并不密切，还有其他因素会影响多肽的 AP。

图 5：AP 与 log P 的关系

a：320 万种五肽的 AP 与 log P 的相关性；

b：AP 在不同区间的分布；

c：log P 在不同 AP 区间的分布。

为找出 AP 和 log P 对多肽自组装的影响，研究人员利用 log P 对 AP 进行了修正，得到了 APHC。修正后的 APHC 能够分辨出多肽自组装和沉淀，筛选出可以形成水凝胶的多肽。

图 6：APHC 与 log P 的关系

a：320 万种五肽的 APHC 与 log P 的相关性；

b：APHC 在不同区间的分布；

c：log P 在不同 APHC 区间的分布。

自组装法则：不同位置的氨基酸影响

在分析了五肽中不同位置的 20 种氨基酸对 APHC 的影响后，研究人员总结得到了不同氨基酸及其分布对多肽自组装特性的影响，并将其分成了 5 组。

第一组氨基酸包括苯丙氨酸 (F)、酪氨酸 (Y) 和色氨酸 (W)。这组氨基酸中存在 π-π 堆叠且疏水性强，对多肽自组装贡献最大。其中 W 的疏水性最强，对 APHC 的影响最大，这与 WWWWW 的观察结果一致。

图 7：不同 AP 区间中，20 种氨基酸在不同位置的分布比例

F、Y、W 在 3-5 号位，尤其是 3 号位时，对多肽自组装贡献最强。可能是因为在 3 号位上，氨基酸的自由度较高，更易通过 π-π 作用驱动多肽自组装。

图 8：π-π 堆叠示意图

然而，这些芳香类氨基酸在 5 号位时，是强质子接受体，会与其他多肽相互作用，拉大苯环的距离，削弱分子内的 π-π 作用。

第二组氨基酸包括异亮氨酸 (I)、亮氨酸 (L)、缬氨酸 (V) 和半胱氨酸 (C)。由于这些氨基酸的侧链和水之间相互排除，疏水性强，对多肽自组装贡献较强。这组氨基酸常分布在多肽的两端，尤其是自组装多肽的 N 端。

图 9：氨基酸的疏水作用

第三组氨基酸包括组氨酸 (H)、丝氨酸 (S) 和苏氨酸 (T)。这组氨基酸有极化侧链，可以通过氢键提升多肽的自组装能力。然而，氢键的作用相比于 π-π 堆叠较弱，因此在高 APHC 的多肽中，第三组氨基酸含量较少。

T 和 S 倾向于占据多肽的两端，尤其是 N 端，这有利于氢键的形成。而 H 会远离多肽的两端。

图 10：极性侧链对多肽结构的影响

第四组氨基酸包括蛋氨酸 (M) 和脯氨酸 (P)。M 和 P 在不同 AHPC 的多肽中分布基本一致，仅对多肽的特定指标有微弱的影响。

第五组氨基酸不利于多肽的自组装，包括带负电的天冬氨酸 (D) 和谷氨酸 (E)、带正电的赖氨酸 (K) 和精氨酸 (R)、强极性的天冬酰胺 (N) 和谷氨酰胺 (Q)、无侧链的丙氨酸 (A) 和甘氨酸 (G)。

然而，C 端的 D 和 E、N 端的 R 和 K 可以形成带双电荷的头基，通过异性电荷相互吸引、形成盐桥促进多肽的自组装。N 和 Q 由于极性太强，会促进多肽的溶解。而 A 和 G 缺乏明显的相互作用，不利于多肽自组装。

图 11：库仑作用对多肽结构的影响

实验验证：与 CGMD 和 TEM 结果基本一致

为确认 TRN 模型的预测结果，研究人员用 CGMD 对五种多肽的自组装特性进行了验证。CGMD 的计算结果与 TRN 模型的预测结果基本一致。

同时，NRMMR、DMGID、NRMMRDMGID 和 NRMMR + DMGID 的自组装特性还得到了实验的验证。透射电子显微镜 (TEM) 的结果与 CGMD 的结果基本一致。

图 12：CGMD (a) 和 TEM (b) 观察到的多肽自组装结果

上述结果说明，TRN 模型可以准确预测五肽、十肽和混合五肽的自组装特性，为自组装多肽的研究提供了强力的新工具。

自组装多肽：生物医药新方向

虽然人们对多肽的自组装特性研究还不够深入，但自组装多肽已经广泛用于组织工程、药物递送和生物传感当中。此外，细胞的收缩和舒张、内吞囊泡的移动、细菌和病毒的跨膜传输都离不开多肽的自组装，阿尔兹海默症、帕金森氏病和II型糖尿病等疾病也与蛋白质的错误折叠有关。

图 13：自组装多肽用于抗肿瘤药物的递送

随着 AI 的发展，科研人员对于大批量数据的处理能力不断增强。生物研究从传统的实验研究，走向计算研究，再走向 AI 研究的同时，研究的规模也从以往的几十上百种可能，逐渐迈向了百亿种。在 AI 的帮助下，人类正在推进生物研究的边界，相信未来人们能对生物有更精细更全面的研究，让 AI + 生物普惠大众。