ESM蛋白质序列生成：如何限制氨基酸字母表

在蛋白质工程和设计中，研究人员经常需要生成特定氨基酸组成的蛋白质变体。本文将介绍如何使用ESM（Evolutionary Scale Modeling）模型来生成缺少特定氨基酸的蛋白质序列变体。

核心概念：限制采样字母表

ESM模型提供了一个关键功能——allowed_aa参数，允许用户在序列生成过程中限制可采样的氨基酸集合。这个参数可以接受一个包含允许氨基酸token ID的列表，从而实现自定义字母表的序列生成。

实现步骤

1. 获取氨基酸token映射： 首先需要了解ESM模型中各个氨基酸对应的token ID。可以通过模型的tokenizer来获取这些映射关系。

2. 构建允许的氨基酸集合： 假设我们要生成缺少色氨酸(W)的蛋白质变体，就需要构建包含其他19种标准氨基酸的token ID列表。

3. 配置生成参数： 在调用序列生成函数时，通过allowed_aa参数传入上一步构建的token ID列表。

技术细节

• tokenizer使用：ESM的tokenizer不仅包含标准氨基酸，还包含特殊符号和修饰氨基酸。需要仔细筛选出标准氨基酸的token。

• 采样策略：当限制字母表后，模型会自动调整采样概率分布，仅从允许的氨基酸中进行选择。

• 质量保证：限制字母表可能会影响生成序列的自然度，建议通过多个指标评估生成结果的质量。

应用场景

这种技术特别适用于：

• 研究特定氨基酸对蛋白质功能的影响
• 设计在特殊环境下稳定的蛋白质（如缺少易氧化氨基酸）
• 创建用于特定表达系统的优化序列

注意事项

1. 某些关键位置的氨基酸限制可能导致生成失败或低质量序列
2. 建议结合结构预测工具验证生成序列的折叠特性
3. 对于长序列，可能需要调整温度参数以获得更好的结果

通过合理使用字母表限制功能，研究人员可以更精确地控制蛋白质序列生成过程，为蛋白质工程研究提供有力工具。