无序蛋白不再只靠重加权：扩散模型一次生成全原子构象，NMR与SAXS同时对上
核心概要
IDPForge把ESMFold的注意力与结构模块改造成扩散生成模型，直接从序列生成全原子无序蛋白与无序区构象，无需逐序列训练、粗粒化回映射或系综重加权。在32条带NMR/SAXS数据的测试序列上，其归一化X-EISD总分0.89，高于IDPConformerGenerator的0.57、IDPFold的0.58与CALVADOS的0.58；它还能在折叠结构模板上只对无序区去噪。
深度剖析
无序蛋白的构象系综现在可以由一个不针对具体序列训练的扩散模型直接给出全原子结构，并且折叠域与无序区放在同一个模型里处理。 此前AlphaFold、RoseTTAFold这类结构预测方法对无序蛋白和无序区给出的置信度很低，而已有的无序系综生成方法往往需要粗粒化表示的回映射或对结构池做重加权。 在32条带NMR和/或SAXS数据的单链无序蛋白测试序列上，IDPForge的归一化X-EISD总分为0.89，IDPConformerGenerator为0.57、IDPFold为0.58、CALVADOS为0.58、STARLING为0.39、idpGAN为0.20。
生成过程从随机噪声出发，按残基刚体框架逐步去噪，网络沿用ESMFold的折叠模块与结构模块，并额外接收带噪结构作为输入。 该模型不处理多序列比对，也不为每条新序列重新训练，这与需要逐序列训练或逐序列实验约束的DynamICE等做法不同。 训练数据包含1882条无序序列和10074条CASP12序列，共198399个构象，其中188200个来自无序序列；测试序列与训练集序列同一性低于30%。
实验数据可以在推理阶段以梯度引导的方式偏置采样，不需要额外训练分类器。 对α-Syn和Sic1，未加引导的IDPForge在PRE误差上落后于其他方法，这也是CALVADOS、STARLING和a99SB-disp模拟共同的问题。 加入仅针对残基序号差大于10的PRE约束后，α-Syn的PRE平均绝对误差从4.116 Å降到2.565 Å，Sic1从3.503 Å降到1.978 Å，其他数据类型保持较好一致性。
给定折叠结构模板时，模型只对无序区做部分去噪，从而在保留折叠域的同时采样末端和连接区无序片段。 现有方法很少能在全原子分辨率下把无序区放回折叠域环境中建模，而基于拼接的做法需要从预生成的结构池中筛选单链构象。 在ABL2、SLC26A9 STAS域、人朊蛋白、IL-6、PRAME20和Cullin-1六个体系上，IDPForge与CALVADOS对折叠域的平均RMSD均不超过2 Å，而AFflecto几乎不引入折叠域的结构变化。
启示与展望
演示范围是32条带NMR和/或SAXS数据的单链无序蛋白测试序列，以及6个带折叠域的无序区体系；后者只覆盖末端和连接区无序片段，折叠域来自实验结构或AlphaFold2预测而非从头预测。模型以开源形式发布，代码与测试系综数据公开。
作者指出模型未在超过200个氨基酸的序列上训练，计算成本对更长的无序蛋白和无序区呈二次增长；连接区无序片段与相邻折叠域之间空间关系的定量刻画仍有局限，测试集也只包含末端和连接区无序片段。α-Syn与Sic1在未加引导时的PRE误差偏大，是包括其他方法在内的共同问题。