# 逆折叠

环境微生物组中β-内酰胺酶的功能多样性与突变潜力此前只被部分认识。把蛋白质语言模型与集成学习结合，从环境宏基因组中识别出四个Ambler类共逾4.6万个潜在β-内酰胺酶，其中与已知酶序列同一性约30%的两个C类候选在大肠杆菌中表达后赋予对多种β-内酰胺类抗生素的耐药性；再用逆折叠模型与蛋白质语言模型筛出的突变可改变耐药谱，包括增强对碳青霉烯类的耐药。

环境微生物组中β-内酰胺酶的功能多样性与突变潜力此前只被部分认识。把蛋白质语言模型与集成学习结合，从环境宏基因组中识别出四个Ambler类共逾4.6万个潜在β-内酰胺酶，其中与已知酶序列同一性约30%的两个C类候选在大肠杆菌中表达后赋予对多种β-内酰胺类抗生素的耐药性；再用逆折叠模型与蛋白质语言模型筛出的突变可改变耐药谱，包括增强对碳青霉烯类的耐药。

肽的逆折叠模型通常在每个位点只输出二十种天然残基的概率，想加入一个非天然残基就得备好该残基的结构数据并把模型整体重训一遍。AtomWeaver 换掉了这一步：它先在固定骨架和靶标蛋白的条件下把侧链当作三维空间里的原子堆出来，最后再拿成型原子云去比对参考残基模板库，读出这是哪种残基。在覆盖十二个蛋白靶标、353 条骨架的 PeptideArena 上，它的表现与只设计二十种残基的方法相当，把候选词汇扩到 300 种残基后仍落在同一区间。

肽的逆折叠模型通常在每个位点只输出二十种天然残基的概率，想加入一个非天然残基就得备好该残基的结构数据并把模型整体重训一遍。AtomWeaver 换掉了这一步：它先在固定骨架和靶标蛋白的条件下把侧链当作三维空间里的原子堆出来，最后再拿成型原子云去比对参考残基模板库，读出这是哪种残基。在覆盖十二个蛋白靶标、353 条骨架的 PeptideArena 上，它的表现与只设计二十种残基的方法相当，把候选词汇扩到 300 种残基后仍落在同一区间。