De novo generation of functional terpene synthases using TpsGPT¶
会议: NeurIPS 2025
arXiv: 2512.08772
代码: https://github.com/colorfulcereal/TpsGPT
领域: 蛋白质设计 / 酶工程
关键词: 萜烯合酶, 蛋白质语言模型, ProtGPT2, 从头设计, 湿实验验证
一句话总结¶
TpsGPT 通过在 79K 萜烯合酶（TPS）序列上微调蒸馏版 ProtGPT2 Tiny（38.9M 参数），生成 28K 候选序列，经多阶段过滤（困惑度/pLDDT/EnzymeExplorer/CLEAN/InterPro/Foldseek）筛选出 7 条进化距离远（<60% 序列相似度）但结构保守的从头 TPS 序列，湿实验验证其中 2 条具有 TPS 酶活性——以不到 $200 GPU 成本实现功能酶从头设计。
研究背景与动机¶
- 领域现状：萜烯合酶（TPS）是催化萜烯骨架合成的关键酶家族，萜烯是最大的天然产物类别（>76,000 种），包括抗癌药 Taxol 等重要药物。工业上萜烯的化学合成成本高、步骤多，合成生物学利用 TPS 酶催化是更高效的路线。
- 现有痛点：(a) 定向进化是主流酶工程手段但成本极高（数十万美元级）、速度慢，且生成的序列与天然蛋白高度相似，无法探索广阔的序列空间；(b) 计算方法如 HMMER 只能发现自然界已有的 TPS，无法设计新酶；(c) 结构导向设计（如 RFdiffusion）需要催化位点的详细知识，对 TPS 这种功能机理复杂的酶族不实用。
- 核心矛盾：TPS 是代表性不足的酶家族（仅 1125 条实验验证序列），但序列空间极其广阔。已有方法要么无法探索新序列（数据库挖掘），要么成本过高（定向进化），要么需要不可得的结构知识（结构设计）。
- 本文要解决什么？ 仅从序列数据出发（无需结构知识），低成本地从头生成功能性 TPS 酶。
- 切入角度：蛋白质语言模型（PLM）已被证明可以通过微调在特定家族上生成有效蛋白质。但现有 PLM 微调方法通常需要大规模家族数据和控制标签。作者从 1125 条种子序列出发挖掘 79K 同源 TPS，在小模型（ProtGPT2 Tiny, 38.9M）上微调，降低成本。
- 核心 idea 一句话：精心构建酶族特异性数据集 + 蒸馏 PLM 微调 + 多阶段计算过滤 = 低成本功能酶从头设计。
方法详解¶
整体框架¶
输入：79K TPS 序列数据集（从 UniProt 挖掘）。模型：ProtGPT2 Tiny（38.9M 参数）微调。输出：28K 候选序列 → 多阶段过滤 → 7 条候选 → 湿实验验证 → 2 条确认活性。
关键设计¶
- 数据集构建：
- 做什么：从 1125 条实验验证的 TPS 种子序列扩展到 79K 训练集
- 核心思路：(a) 用 HMMER hmmsearch + Pfam/SUPERFAMILY 数据库在 UniProt 和 BFD 大规模数据库中检索 TPS 同源序列；(b) 严格过滤：去除 300-1100 氨基酸范围外的序列、排除非 TPS 域更强匹配的序列、要求包含 TPS 催化基序（DDXXD, NSE/DTE, DXDD）、过滤掉 >80% 相似度的异戊烯基二磷酸合酶
-
设计动机：1125 条太少无法直接训练 PLM，但通过计算挖掘可以扩展 70 倍。严格过滤确保训练数据质量——只保留高置信度的 TPS 序列
-
数据划分策略：
- 做什么：确保训练/验证集无数据泄露
- 核心思路：使用 SpanSeq 在 30% 序列相似度阈值下将 79K 序列聚类为 6 个分区。5 个分区（~63K）用于训练，1 个分区（~16K）用于验证。确保训练和验证集之间最大序列相似度 ≤30%
-
设计动机：传统随机划分可能导致高度相似的序列分别出现在训练和验证集（数据泄露）。SpanSeq 基于序列相似度的划分保证了评估的可靠性
-
模型微调：
- 做什么：在 TPS 数据上微调蒸馏版 ProtGPT2
- 核心思路：ProtGPT2 Tiny（38.9M 参数，原版 738M 的蒸馏版），block size=512 tokens，batch size=64×8 梯度累积=有效 batch 512，学习率 1e-4，最大 4000 步。训练损失从 8.4 降至 4.94，验证损失从 8.0 降至 7.32
-
设计动机：蒸馏版推理速度快 6 倍、困惑度与原版可比，使得大规模序列生成（28K 条）计算可行。单张 NVIDIA L4 即可完成微调
-
多阶段计算过滤管线：
- 做什么：从 28K 候选中筛选出最有可能具有功能的序列
- 核心思路：三层过滤——
- 序列过滤：困惑度排序取 top 10%（2800 条）；与训练集最大序列相似度 ≤60%（保证进化距离）
- 功能过滤：EnzymeExplorer TPS 检测得分 ≥0.7；CLEAN 预测 EC 号属于萜烯生物合成通路；InterPro 域预测检测到 TPS 特异性域
- 结构过滤：ESMFold pLDDT ≥70（结构稳定性）；Foldseek TM-score 在 0.6-0.9 之间（与训练集结构相似但不完全相同）
-
设计动机：每层过滤从不同维度验证——序列质量（困惑度）、功能可能性（酶分类）、结构可行性（折叠置信度），层层筛选将 28K→2800→77→7
-
湿实验验证：
- 做什么：在酿酒酵母中异源表达并检测酶活性
- 核心思路：在工程化的 JWY501 酵母株（高产 GGPP 底物）中表达 7 条基因，LC-MS 检测产物。提取离子色谱（XIC）在 \(\text{C}_{20}\text{H}_{36}\text{O}_2\) 质量处检测到 TpsGPT1 和 TpsGPT2 产生类双萜产物（如当归环酮）
- 设计动机：计算验证再全面也不能替代实验——湿实验是功能性从头酶设计的最终证明
损失函数 / 训练策略¶
- 标准自回归语言模型损失（下一 token 预测）
- 超参数搜索：学习率 {1e-6, 1e-5, 1e-4, 1e-3}，选 1e-4（验证损失最优）
- 最大步数 {1200, 1875, 3000, 4000}，选 4000（收敛）
- 全部 GPU 成本 <$200（单张 NVIDIA L4）
实验关键数据¶
主实验 — 7 条候选 TPS 的计算验证¶
| 序列 ID | EnzymeExplorer ↑ | pLDDT ↑ | TM-Score | Max Seq ID | CLEAN EC | 实验活性 |
|---|---|---|---|---|---|---|
| TpsGPT1 | 0.75 | 78 | 0.73 | 49.67% | 萜烯合酶 (4.2.3.75) | ✓ |
| TpsGPT2 | 0.72 | 74 | 0.79 | 59.72% | 角鲨烯合酶 (2.5.1.21) | ✓ |
| TpsGPT3 | 0.73 | 74 | 0.84 | 60.00% | 环二烯醇合酶 | 待验 |
| TpsGPT4 | 0.73 | 70 | 0.65 | 60.08% | 角鲨烯合酶 | 待验 |
| TpsGPT5 | 0.78 | 80 | 0.72 | 59.75% | β-香树脂合酶 | 待验 |
| TpsGPT6 | 0.73 | 71 | 0.69 | 57.33% | 角鲨烯合酶 | 待验 |
| TpsGPT7 | 0.74 | 71 | 0.72 | 52.19% | 环木菠萝烷醇合酶 | 待验 |
过滤管线效率¶
| 过滤阶段 | 剩余序列数 | 淘汰率 |
|---|---|---|
| 原始生成 | 28,000 | — |
| 困惑度 Top 10% | 2,800 | 90% |
| pLDDT ≥70 | ~1,120 (40%) | 60% |
| EnzymeExplorer ≥0.7 | 77 | 93% |
| MaxID ≤60% + Foldseek 0.6-0.9 | 7 | 91% |
| 湿实验验证 | 2/7 有活性 | 29% |
关键发现¶
- pLDDT 分布：40% 的生成序列达到 ≥70 的结构置信度，说明 TpsGPT 学会了生成可折叠蛋白质
- 进化距离：7 条候选与训练集最大序列相似度在 49.67%~60.08%，确实是进化远端的新序列
- 结构保守：所有候选 TM-score 在 0.6-0.9，属于同一结构家族但不是简单复制
- TpsGPT1 最独特（49.67% maxID）且实验验证有活性，说明模型成功探索了远端序列空间
- 产物含氧（\(\text{C}_{20}\text{H}_{36}\text{O}_2\)），尚无法确认为经典 TPS 产物，需进一步催化机理研究
亮点与洞察¶
- 极致的低成本：<$200 GPU + 38.9M 参数模型 = 功能酶从头设计，大幅降低了蛋白质设计的门槛。对比定向进化的数十万美元成本，这是数量级的改进
- 数据集构建是关键：1125 种子→79K 高质量 TPS 数据集的精心构建（HMMER+多重过滤+催化基序检查）是整个管线的基础。数据工程的重要性不亚于模型选择
- 多维度过滤策略：序列（困惑度+相似度）+功能（3 种分类器/域预测工具）+结构（pLDDT+TM-score）的组合过滤，从 28K 精准定位到 7 条，每一层都有明确的物理/生物学意义
- 可推广框架：该 pipeline（数据挖掘→PLM 微调→生成→多阶段过滤→实验验证）可直接应用于其他代表性不足的酶家族（如溶菌酶、P450）
局限性 / 可改进方向¶
- 仅 2/7 实验验证有活性（29% 成功率），且产物含氧尚不确定是否为经典萜烯
- 无法条件化生成——不能指定要生成哪种亚类的 TPS（如单萜/倍半萜/二萜）
- 仅用序列信息，未利用 3D 结构信息（如催化口袋）指导生成
- ProtGPT2 Tiny 模型容量有限（38.9M），可能限制了序列空间的探索能力
- 过滤管线依赖多个外部工具（EnzymeExplorer, CLEAN, InterPro, ESMFold, Foldseek），任一工具的偏差会传递到最终结果
- 可探索条件生成（加控制标签）、结合结构约束（活性位点 motif 注入）、使用更大模型
相关工作与启发¶
- vs RFdiffusion（结构导向设计）：需要催化位点的详细结构知识，对 TPS 不实用；TpsGPT 仅需序列数据
- vs ProGEN（大规模 PLM 微调）：ProGEN 280M 参数，需要大数据集+控制标签；TpsGPT 用 38.9M 蒸馏模型+无控制标签，更轻量
- vs HMMER 数据库挖掘：只能发现自然界已有的序列；TpsGPT 生成进化远端（<60% 相似度）的新序列
- 启发：PLM 微调对"小数据酶族"特别有价值——只需 ~1000 种子序列+数据挖掘扩展即可训练有效生成模型
评分¶
- 新颖性: ⭐⭐⭐ PLM 微调生成蛋白质并非首创，但针对 TPS 酶族的完整数据+生成+过滤+实验管线是新的
- 实验充分度: ⭐⭐⭐⭐ 计算验证全面（6 种验证指标），且有湿实验验证（2/7 有活性），但样本量小
- 写作质量: ⭐⭐⭐⭐ 管线描述清晰，过滤标准有据可依，结果展示直观
- 价值: ⭐⭐⭐⭐ 低成本功能酶从头设计对合成生物学有直接应用价值，管线可推广到其他酶族