TaxDiff: Modelo de Difusão Guiado por Taxonomia para Geração de Sequências de Proteínas

Projetar sequências de proteínas com funções biológicas específicas e estabilidade estrutural é crucial em biologia e química. Modelos generativos já demonstraram suas capacidades para um design confiável de proteínas. No entanto, modelos anteriores estão limitados à geração incondicional de sequências de proteínas e carecem da capacidade de geração controlável que é vital para tarefas biológicas. Neste trabalho, propomos o TaxDiff, um modelo de difusão guiado por taxonomia para geração controlável de sequências de proteínas que combina informações sobre espécies biológicas com as capacidades generativas de modelos de difusão para gerar proteínas estruturalmente estáveis dentro do espaço de sequências. Especificamente, informações de controle taxonômico são inseridas em cada camada do bloco do transformer para alcançar um controle mais detalhado. A combinação de atenção global e local garante a consistência da sequência e a dobrabilidade estrutural de proteínas específicas de taxonomia. Experimentos extensivos demonstram que o TaxDiff pode consistentemente alcançar melhor desempenho em múltiplos benchmarks de geração de sequências de proteínas, tanto na geração controlável guiada por taxonomia quanto na geração incondicional. Notavelmente, as sequências geradas pelo TaxDiff superam até mesmo aquelas produzidas por modelos de geração de estrutura direta em termos de confiança com base nas estruturas previstas e requerem apenas um quarto do tempo dos modelos baseados no modelo de difusão. O código para gerar proteínas e treinar novas versões do TaxDiff está disponível em: https://github.com/Linzy19/TaxDiff.