摘要

本文介绍了一种名为FoldToken2的创新方法，旨在解决蛋白质结构表示学习、对齐和生成中的长期挑战。FoldToken2通过将等变结构转换为离散令牌，同时保持原始结构的恢复能力，创造了一种紧凑且不变的语言来等效表示蛋白质结构。该方法在蛋白质结构重建任务中表现出色，相较于前代FoldToken1，在TMScore和RMSD指标上分别提升了20%和81%。FoldToken2可能是首个在单链和多链蛋白质结构量化方面表现良好的方法，预计将推动蛋白质结构表示学习、结构对齐和结构生成任务的进一步改进。

原理

FoldToken2的核心在于三个关键组件的改进：不变结构编码器、向量量化压缩器和等效结构解码器。不变结构编码器使用基于帧的GNN（BlockGAT）将等变结构编码为不变嵌入，解决了之前方法无法捕捉3D依赖性的问题。向量量化压缩器（T-SoftCVQ）将连续嵌入量化为离散令牌，形成蛋白质结构语言，这一过程通过新的温度退火和编码策略得到优化。等效结构解码器采用条件SE-(3)解码器，通过等变图消息传递生成3D坐标，每个SE-(3)层包含一个BlockGAT和一个即插即用的SE-(3)模块，通过堆叠多个SE-(3) BlockGATs，迭代地从高斯噪声中细化蛋白质结构。

流程

FoldToken2的工作流程包括编码、量化和解码三个主要步骤。首先，使用BlockGAT编码器将蛋白质结构编码为不变嵌入。接着，通过SoftCVQ量化器将这些嵌入转换为离散令牌，形成蛋白质结构语言。最后，使用SE-(3)层解码器，结合条件特征，通过等变图消息传递生成3D坐标，从而重建蛋白质结构。例如，在单链和多链蛋白质结构重建任务中，FoldToken2通过这一流程显著提高了重建性能。

应用

FoldToken2的应用前景广泛，涵盖了蛋白质结构表示学习、结构对齐和结构生成等多个领域。其在单链和多链蛋白质结构重建任务中的优异表现，预示着该方法在生物信息学、药物设计和蛋白质工程等领域的潜在应用价值。随着进一步的研究和优化，FoldToken2有望成为蛋白质结构分析和设计的重要工具。