上交大提出新注意力機制模型：利用文本描述設計蛋白質序列

蛋白質工程向來是生物學領域中不可忽視的一項重要領域，其中蛋白質設計關系到藥物開發與酶工程等多種極具潛力的應用領域。

相較于傳統設計策略，研究員或許更為眼饞如 AI 文生圖這種大眾化設計，直接告訴 AI 自己需要什么蛋白質，讓 AI 去生成就行。而現在，上海交通大學的一支團隊就成功開發出了一種全新細粒度多模態數據交互框架 ProtDAT，能夠根據描述性蛋白質文本輸入設計蛋白質。

該研究以「Ab-initio amino acid sequence design from protein text description with ProtDAT」為題，于 2025 年 11 月 26 日發布在《Nature Communications》。

論文鏈接：https://www.nature.com/articles/s41467-025-65562-w

從「文本描述」到「蛋白序列」

用過 AI 生圖的大家大概可以想象這么一個畫面：在紙上寫下一句話，描述想要的蛋白，比如 「一個能在 37°C 下穩定、對 pH 7.4 敏感、有較強親水界面的酶」，然后點擊「生成」。幾秒鐘后，一串氨基酸序列出現——這可能是一種全新的蛋白。

這大概就是對 ProtDAT 比較親切的一種描述。學術界以往的成果表明，從文本中生成蛋白質序列是可行的。受大語言模型啟發，團隊就一個基于任何指定文本描述訓練數據集生成蛋白質序列的蛋白質設計框架，在模態融合解碼器層設計了多模態交叉注意力機制（MCM），用于實現不同模態信息的細粒度蛋白質序列-文本交互。

圖 1：ProtDAT 的概述。

這讓 AI 能把「人類對功能的文字描述」直接映射到「分子級別、可編碼的蛋白序列空間」。鑒于 ProtDAT 是一個從頭開始訓練的框架，這也讓它解決了 PLMs 在蛋白質序列生成中因蛋白質描述文本指導不足而存在的重大問題。

ProtDAT 提出了一種新的交叉注意力機制，即 MCM，專門設計用于處理綜合信息，為蛋白質設計提供直觀、符合人類邏輯的路徑。它將兩種不同模態的交互集成在單個模型中，從基礎層面建立更穩定的鏈接。

在 ProtDAT 框架內對瑞士蛋白數據庫 Swiss-Prot 中的 20,000 對文本序列進行實驗，結果表明其準確度高于實驗中最佳方法的性能，pLDDT 提高了 23.34%，TM-score 提高了 76.45%，RMSD 降低了 24.41%。

MCM 測試表現

既然 ProtDAT 提出了一種全新的機制 MCM，那就來關注一下它的作用與實際測試結果。

圖 2：ProtDAT 性能的綜合評價。

團隊觀察到，隨著序列長度的增加（最大至 500），平均注意力權重也在變化。標示蛋白質提示貢獻度的數據雖然也在下降，但序列長度達到 1000 后，這個值穩定在了約 20%。這進一步證明文本描述在生成早期階段確保了對關鍵氨基酸標記的準確指令，并在蛋白質序列增長時繼續提供方向性支持。

這說明 MCM 解決了現有方法中蛋白質描述文本指導不足的問題，促進了多模態整合。而在消融實驗中，ProtDAT 在多個評估維度上相較于 ProtDAT（不含 MCM）取得了顯著改進。蛋白質序列與結構評估前者全面碾壓后者；亞細胞定位里 MCM 的數據提升更明顯；在功能相似性檢索里返回值與檢索指標也更為優秀。

文字生成蛋白質

論文用設計遠程同源蛋白質序列、生成有天然蛋白質特征的序列等案例揭示了 MCM 這個新型注意力機制的優秀性能。實驗結果表明，ProtDAT 生成的蛋白質序列有效地整合了文本信息，在結構合理性、功能性和結構相似性方面取得了顯著性能，pLDDT 平均提高了 18.65，0.TM-score 提高了 26，RMSD 減少了 1.2 ?。

團隊計劃利用更廣泛的標注蛋白質數據集擴展 ProtDAT 的語言能力，并采用不同領域的訓練數據集來擴大其覆蓋規模。相關研究可于 Github 獲取。

https://github.com/GXY0116/ProtDAT