蛋白质工程领域有个老生常谈的痛点设计一个突变容易预测它到底会让蛋白更稳还是更垮难。我接触过的不少做酶改造和抗体亲和力成熟的同行手里攒了一堆候选突变最后还是要靠实验一个个试周期长、成本高。GeoStab 这个项目瞄准的就是这个环节——用几何结构信息来提升突变后蛋白稳定性变化的预测精度。它解决的核心问题是传统基于序列或单一结构的预测方法在跨蛋白家族、跨突变类型时泛化能力不足而 GeoStab 试图通过引入更丰富的几何表征来补上这块短板。这篇内容适合做计算蛋白设计、酶工程、抗体开发的研究人员和学生参考也适合对深度学习在结构生物学落地感兴趣的朋友。下面我按自己的理解把这个项目的设计思路、核心细节、实操流程和踩坑经验完整拆一遍。1. 项目整体设计与思路拆解1.1 为什么盯上几何信息这个切入点蛋白稳定性变化预测本质是给一个突变打分ΔΔG 是正还是负幅度多大。过去几年主流做法分两派一派吃序列用蛋白语言模型或者进化信息做输入另一派吃结构把突变位点周围的原子坐标喂进图神经网络。两派各有软肋——纯序列方法丢掉了空间邻近关系一个在序列上隔了很远但在三维空间里紧挨着的残基相互作用它捕捉不到纯结构方法则常常把几何信息处理得比较粗糙比如只用到原子间距离忽略了角度、二面角、局部朝向这些更细的几何约束。GeoStab 的思路很明确既然突变对稳定性的影响归根结底是局部 packing、氢键网络、疏水核心这些几何因素在起作用那就把几何表征做深做透。它不是在序列特征上简单拼接几个距离特征而是围绕突变位点构建了一套多层次的几何描述让模型能看见突变前后局部环境的变化。这个选择背后的逻辑是稳定性变化的物理本质是能量差而能量差直接关联到原子间的几何排布几何信息越完整模型越有可能逼近真实的物理图像。我个人的判断是这个切入点选得务实。比起堆更大的语言模型几何特征的精细化是一条性价比更高的路尤其对数据量有限的稳定性数据集来说参数量小、归纳偏置强的模型反而不容易过拟合。1.2 整体架构的分层设计GeoStab 的架构可以理解成三层。第一层是结构预处理层负责把 PDB 结构转成模型能吃的几何图表示包括节点特征和边特征的定义第二层是几何编码层用图神经网络或者等变网络把局部几何信息编码成残基级或原子级的嵌入第三层是预测头把突变位点及其邻域的嵌入聚合起来回归出 ΔΔG 值。这个分层设计的好处是模块解耦。预处理层可以独立替换比如换一种邻域定义或者换一种边特征编码层可以尝试不同的 backbone预测头也可以从回归改成分类预测稳定/不稳定。我在复现类似项目时特别看重这种解耦因为调参阶段你往往需要快速替换某一层做消融耦合太紧的代码会让你改一处崩三处。提示如果你打算基于 GeoStab 做二次开发建议先把预处理层和编码层之间的接口定义清楚输入输出的张量形状、特征维度、邻域半径这些参数固定下来后面换模块会省很多事。1.3 与同类方案的取舍对比拿它和几类常见方案比一下会更清楚定位。纯序列语言模型类方法优势是能利用海量无标注序列预训练冷启动能力强但对局部几何不敏感基于距离图的 GNN 方法能捕捉空间邻近但距离是标量丢失了方向性等变网络方法几何信息最完整但计算开销大、对数据量要求高。GeoStab 走的是中间路线——用相对轻量的几何特征组合在信息完整度和计算成本之间找平衡。这个取舍对实际使用者意味着什么意味着它更适合中等规模数据集上的快速迭代而不是追求极致精度的大规模预训练场景。我在酶改造项目里用这类模型时通常把它当作第一轮筛选工具先把明显有害的突变滤掉把实验资源集中在模型认为有希望的那部分候选上这个用法下轻量模型的性价比最高。2. 核心细节解析与实操要点2.1 结构预处理邻域怎么定义很关键突变位点的邻域定义直接决定了模型能看到多少上下文。GeoStab 这类方法通常以突变残基为中心取一个空间半径内的所有残基作为邻域。半径取多大有讲究太小比如 6 埃只能看到紧邻的几个残基氢键网络和二级结构上下文都不完整太大比如 15 埃会把大量无关残基卷进来噪声增加、计算量上升。实践中 8 到 10 埃是比较常见的起点这个范围大致覆盖了两到三个残基壳层能包含大部分直接相互作用。除了半径还要考虑是否按残基还是按原子建图。按残基建图计算量小但会丢失侧链原子的精细位置按原子建图信息完整但图规模会膨胀好几倍。我的经验是如果目标是预测突变对 packing 的影响侧链原子信息不能丢至少要把侧链重原子纳入如果算力紧张可以对邻域内的残基做采样或者只保留主链加关键侧链原子。另一个容易忽略的点是缺失残基和缺失原子的处理。晶体结构里经常有柔性 loop 缺失或者侧链原子没解析出来直接喂进模型会导致邻域特征不完整。稳妥的做法是标记缺失并用合理的占位特征而不是简单丢弃否则模型会学到有缺失就预测某个方向的虚假关联。2.2 几何特征的构造清单几何特征这块是 GeoStab 的核心竞争力所在我按重要性列一下通常会包含的几类。第一类是距离特征包括突变残基与邻域残基的 Cα-Cα 距离、侧链质心距离、最近重原子距离这几类距离从不同粒度刻画邻近程度。第二类是角度特征比如两个残基的 Cα 连线与各自侧链朝向的夹角能反映相对取向。第三类是二面角特征主链的 phi/psi/omega 和侧链的 chi 角这些直接关联构象柔性。第四类是接触类型特征比如是否形成氢键、是否属于疏水接触、是否参与盐桥这类特征往往需要基于几何规则判定。构造这些特征时有个实操细节所有几何量都要做归一化或者分箱处理。距离用连续的实数喂进网络容易受尺度影响常见做法是转成高斯径向基展开把连续距离映射到一组固定中心的高维向量角度和二面角则可以用 sin/cos 编码避免周期性断裂。这些处理看起来琐碎但对模型收敛影响很大我见过不少复现失败案例就栽在特征没归一化上。特征类别具体内容处理方式注意事项距离Cα-Cα、侧链质心、最近重原子高斯径向基展开半径截断要统一角度残基间相对取向sin/cos 编码注意坐标系一致性二面角主链 phi/psi、侧链 chisin/cos 编码缺失角要标记接触类型氢键、疏水、盐桥独热或多热编码判定阈值需固定2.3 突变信息的编码方式突变本身怎么编码是另一个容易被低估的细节。最朴素的做法是把野生型残基和突变型残基各做一个独热编码拼起来但这样丢失了氨基酸的理化性质相似性。更好的做法是引入氨基酸的物化属性向量比如疏水性、体积、电荷、极性这样模型能理解从亮氨酸突变成异亮氨酸和从亮氨酸突变成天冬氨酸在性质上的差异程度不同。还有一种做法是用突变前后的结构差异作为输入也就是分别对野生型和突变型结构做几何特征提取然后取差值或者拼接。这个做法信息最完整但前提是你得有突变型的结构——通常需要用侧链重构工具生成。侧链重构本身有误差会引入噪声所以是否采用这条路线要看你的场景如果突变主要影响侧链 packing重构值得做如果突变影响的是主链柔性重构的帮助有限。注意侧链重构工具的选择和参数设置会显著影响结果建议固定一套重构流程并在所有样本上一致使用避免不同样本用了不同重构策略导致特征分布漂移。3. 实操过程与核心环节实现3.1 数据准备与清洗流程动手之前先把数据理清楚。稳定性变化数据集通常来自实验测定的 ΔΔG格式一般是蛋白 PDB 编号、突变位点、野生型残基、突变型残基、ΔΔG 值。清洗环节要做几件事去掉 ΔΔG 缺失或标注矛盾的条目检查 PDB 结构是否可获取、分辨率是否可接受一般优于 2.5 埃比较稳妥核对突变位点在结构中的残基编号是否与数据集一致这里经常出现编号偏移的坑比如数据集用的是成熟蛋白编号而结构用的是包含标签的编号差几个号就会导致取错残基。数据划分要特别小心。随机划分会导致同一蛋白的不同突变分散在训练集和测试集模型实际上记住了这个蛋白的局部环境测试精度虚高。更合理的做法是按蛋白划分保证测试集里的蛋白在训练时没见过这样评估的才是泛化能力。如果数据量允许还可以做按家族划分或者按突变类型划分看模型在跨家族、跨突变类型时的表现。# 数据清洗伪代码示意 import pandas as pd df pd.read_csv(stability_dataset.csv) # 去掉缺失值 df df.dropna(subset[ddg, pdb_id, wt, mut, position]) # 过滤异常值ΔΔG 通常在 -5 到 5 kcal/mol 之间 df df[(df[ddg] -5) (df[ddg] 5)] # 按蛋白划分避免同源泄漏 proteins df[pdb_id].unique() test_proteins proteins[:int(len(proteins) * 0.2)] test_df df[df[pdb_id].isin(test_proteins)] train_df df[~df[pdb_id].isin(test_proteins)]3.2 特征提取与图构建的落地特征提取阶段我习惯先把每个 PDB 结构解析成残基列表记录每个残基的坐标、类型、主链和侧链原子。然后对每个突变样本以突变位点为中心取邻域构建局部图。节点是邻域内的残基边按空间距离阈值连接边特征就是前面说的距离、角度、接触类型。这里有个性能优化点同一个 PDB 上往往有多个突变样本邻域提取可以缓存不必每个样本都重新解析结构。我一般会先按 PDB 分组解析一次结构然后对组内每个突变分别取邻域。这个优化在数据量上千之后能省不少时间。图构建完成后节点特征和边特征要统一维度方便批量处理。不同蛋白的邻域残基数不一样需要 padding 或者用能处理变长图的框架。用 PyTorch Geometric 的话直接把多个小图拼成一个大图加 batch 向量就行比较省心。3.3 模型训练的关键参数与调参经验训练阶段几个参数值得单独说。学习率方面图网络类模型我通常从 1e-3 起步配合余弦退火或者 ReduceLROnPlateau观察验证集损失是否平稳下降。批大小受图规模限制邻域取 10 埃时单图节点数大概几十到一百多批大小 16 到 32 比较常见。损失函数用 MSE 或 HuberHuber 对异常值更鲁棒稳定性数据里偶尔有测量误差大的样本用 Huber 会稳一些。正则化不能省。这类数据集规模通常不大几千到几万条模型很容易过拟合。dropout 设在 0.1 到 0.3 之间权重衰减 1e-4 到 1e-5再配合早停验证集连续若干轮不降就停。我踩过的坑是早停的 patience 设太小模型在验证集上抖动一下就被停掉错过了后面的下降一般 patience 设 10 到 20 轮比较合适。评估指标别只看 MSE 或 MAE还要看 Pearson 和 Spearman 相关系数以及把 ΔΔG 二值化后的分类准确率比如以 0 为界判断稳定/不稳定。实际做突变筛选时排序能力比绝对误差更重要Spearman 高说明模型能把好的突变排在前面这对实验设计更有指导意义。参数推荐范围说明学习率1e-3 起步配合调度器批大小16-32受图规模限制dropout0.1-0.3防过拟合权重衰减1e-4~1e-5配合早停早停 patience10-20避免过早停止3.4 推理与结果解读模型训好之后推理阶段要注意输入的一致性——新样本的预处理流程必须和训练时完全一致邻域半径、特征归一化参数、缺失值处理策略都不能变。我见过有人推理时忘了加载训练集的归一化统计量直接用测试集自己的统计量结果分布对不上预测全偏。结果解读上ΔΔG 的符号比绝对值更可靠。模型预测某个突变显著降低稳定性ΔΔG 明显为负这个信号通常比较可信预测接近 0 的突变误差往往较大这类突变在实际筛选中优先级可以放低。另外建议对预测结果做不确定性估计比如用 dropout 多次采样取方差方差大的样本说明模型没把握实验验证时可以优先排除或者单独处理。4. 常见问题与排查技巧实录4.1 训练损失不降或震荡这是最常见的开局问题。排查顺序我一般是先看数据管道有没有 bug比如特征是不是全零、标签有没有对齐错位再看学习率是不是太大图网络对学习率比较敏感1e-3 不降就试 1e-4然后看特征归一化距离特征没做径向基展开或者角度没做 sin/cos 编码很容易导致训练不稳。还有一个隐蔽原因是图构建时边特征维度和节点特征维度对不上或者 batch 拼接时索引错乱这类 bug 不会报错但会让模型学不到东西建议用小批量数据先跑通再放大。4.2 验证集表现远低于训练集典型的过拟合信号。先确认数据划分是不是按蛋白划分的如果随机划分验证集虚高反而不容易发现过拟合按蛋白划分后如果差距大说明模型记住了训练蛋白的局部特征。应对手段加大 dropout、加权重衰减、减小模型容量、增加数据增强比如对结构做轻微扰动、对邻域做随机采样。数据增强这块要谨慎几何扰动太大会破坏物理合理性扰动幅度控制在合理范围内。4.3 跨家族泛化差如果测试集换成训练时没见过的蛋白家族性能掉得厉害说明模型学到的特征不够普适。这时候可以检查特征里有没有隐含家族偏置比如某些接触类型特征在特定家族里分布很偏。缓解办法包括在特征层面做更严格的归一化、引入更多与家族无关的几何量、用多任务学习让模型同时预测一些辅助任务比如局部 packing 密度来逼它学通用表征。4.4 常见问题速查表现象可能原因排查与解决损失不降学习率过大、特征未归一化降学习率、检查特征处理损失震荡批大小过小、数据噪声增大批大小、换 Huber 损失验证集虚高随机划分导致泄漏改为按蛋白划分跨家族掉点特征含家族偏置加强归一化、多任务辅助推理全偏预处理不一致固定并复用训练期统计量预测方差大邻域信息不足扩大半径、检查缺失原子4.5 几个独家避坑心得第一个心得残基编号对齐这件事一定要写脚本自动核对别靠肉眼。我吃过亏数据集里某个蛋白的编号和结构差了一位导致整个蛋白的突变特征全取错模型在这个蛋白上表现异常但又不报错查了很久才发现。第二个心得邻域半径不要一刀切。不同大小的蛋白、不同埋藏深度的突变位点合适的邻域范围其实不一样。表面残基的邻域可以小一点核心残基的邻域要大一点才能覆盖完整的疏水环境。可以按溶剂可及性做自适应半径这个改动不大但往往有稳定提升。第三个心得把野生型结构的预测作为基线。也就是说先让模型预测野生型自身的稳定性分数可以用一个辅助头再看突变前后的差值。这个做法能把蛋白本身的难度差异归一化掉对跨蛋白泛化有帮助我在几个项目里试下来都比直接回归 ΔΔG 稳。第四个心得实验验证的反馈要回流。模型筛出来的突变做了实验后不管成功失败结果都值得记录下来重新加入训练集。稳定性数据本来就稀缺每一批实验数据都是宝贵的增量迭代几轮之后模型在你关心的蛋白家族上会明显更准。5. 影响范围与延伸思考GeoStab 这类几何驱动的稳定性预测方法影响的不只是学术 benchmark 上的几个小数点。落到实际场景酶工程里提高热稳定性、抗体开发里优化框架区稳定性、工业酶改造里延长货架期这些工作都依赖对突变效应的准确预判。模型每提升一点排序能力实验端就能少筛一批候选省下的是实打实的时间和成本。从技术演进角度看几何表征这条路还有不少可挖的空间。比如把几何特征和序列语言模型的嵌入做融合让模型既有进化信息的广度又有几何信息的精度再比如引入分子动力学采样的构象系综而不是只用单一晶体结构来捕捉突变对柔性的影响。这些方向我在关注但落地时还是要回到数据量和算力的现实约束上别为了追新架构把可复现性丢了。我自己在这个方向上的体会是工具再花哨最后决定成败的往往是数据质量和评估方式。把数据清洗做扎实、把划分做严谨、把评估指标选对比换一个更复杂的网络结构带来的提升更实在。GeoStab 给了一个不错的几何建模起点真正要用好它还是得结合自己手头的蛋白体系和实验条件去调、去验、去迭代。
