Proteo-R1: рассуждающие фундаментальные модели для дизайна белков de novo

https://arxiv.org/abs/2605.02937 Глубокое обучение в проектировании белков de novo достигло точности на атомном уровне. Однако существующие модели остаются в значительной степени непредвзятыми: они напрямую синтезируют молекулярные геометрии, не проводя явного анализа того, какие остатки или взаимодействия являются функционально важными. В результате решения о проектировании переплетаются с динамикой непрерывного отбора проб, что ограничивает интерпретируемость, управляемость и систематическое повторное использование биохимических знаний. Мы представляем Proteo-R1, основанную на логическом выводе структуру проектирования белков, которая явно разделяет молекулярное понимание и геометрическое построение. Proteo-R1 использует архитектуру с двумя экспертами, в которой многомодальная большая языковая модель (MLLM) выступает в роли эксперта по пониманию, анализируя последовательности белков, структуры и текстовый контекст для выявления ключевых функциональных остатков, определяющих связывание и специфичность. Эти решения на уровне остатков затем передаются в качестве жестких ограничений отдельному эксперту по генерации на основе диффузии, который выполняет условное совместное проектирование, соблюдая фиксированные точки взаимодействия. Такая факторизация отражает подход экспертов к молекулярной инженерии: сначала рассуждения о критически важных взаимодействиях, а затем оптимизация геометрии с учетом этих ограничений. Благодаря операционализации рассуждений в виде явных обязательств на уровне остатков, а не скрытых текстовых указаний, Proteo-R1 обеспечивает стабильную, интерпретируемую и модульную интеграцию рассуждений LLM с современными геометрическими генеративными моделями. Код, данные и демонстрационные примеры доступны по этому адресу https.