ReQFlow: Rectifizierter Quaternionen-Fluss für effiziente und hochwertige Protein-Rückgratgenerierung

ReQFlow: Rectified Quaternion Flow for Efficient and High-Quality Protein Backbone Generation

February 20, 2025

Autoren: Angxiao Yue, Zichong Wang, Hongteng Xu

cs.AI

Zusammenfassung

Die Generierung von Proteinrückgraten spielt eine zentrale Rolle im de novo Protein-Design und ist von großer Bedeutung für viele biologische und medizinische Anwendungen. Obwohl Diffusions- und flussbasierte generative Modelle potenzielle Lösungen für diese anspruchsvolle Aufgabe bieten, erzeugen sie oft Proteine mit unerwünschter Designierbarkeit und leiden unter rechnerischer Ineffizienz. In dieser Studie schlagen wir eine neuartige Methode des rectified quaternion flow (ReQFlow) matching vor, die eine schnelle und hochwertige Generierung von Proteinrückgraten ermöglicht. Insbesondere generiert unsere Methode eine lokale Translation und eine 3D-Rotation aus zufälligem Rauschen für jedes Residuum in einer Proteinkette, wobei jede 3D-Rotation als Einheitsquaternion dargestellt und ihr Fluss durch sphärische lineare Interpolation (SLERP) in einem exponentiellen Format konstruiert wird. Wir trainieren das Modell durch quaternion flow (QFlow) matching mit garantierter numerischer Stabilität und korrigieren das QFlow-Modell, um dessen Inferenz zu beschleunigen und die Designierbarkeit der generierten Proteinrückgrate zu verbessern, was zum vorgeschlagenen ReQFlow-Modell führt. Experimente zeigen, dass ReQFlow bei der Generierung von Proteinrückgraten Spitzenleistungen erzielt, während es deutlich weniger Abtastschritte und erheblich weniger Inferenzzeit erfordert (z. B. ist es 37-mal schneller als RFDiffusion und 62-mal schneller als Genie2 bei der Generierung eines Rückgrats der Länge 300), was seine Effektivität und Effizienz unterstreicht. Der Code ist verfügbar unter https://github.com/AngxiaoYue/ReQFlow.

English

Protein backbone generation plays a central role in de novo protein design and is significant for many biological and medical applications. Although diffusion and flow-based generative models provide potential solutions to this challenging task, they often generate proteins with undesired designability and suffer computational inefficiency. In this study, we propose a novel rectified quaternion flow (ReQFlow) matching method for fast and high-quality protein backbone generation. In particular, our method generates a local translation and a 3D rotation from random noise for each residue in a protein chain, which represents each 3D rotation as a unit quaternion and constructs its flow by spherical linear interpolation (SLERP) in an exponential format. We train the model by quaternion flow (QFlow) matching with guaranteed numerical stability and rectify the QFlow model to accelerate its inference and improve the designability of generated protein backbones, leading to the proposed ReQFlow model. Experiments show that ReQFlow achieves state-of-the-art performance in protein backbone generation while requiring much fewer sampling steps and significantly less inference time (e.g., being 37x faster than RFDiffusion and 62x faster than Genie2 when generating a backbone of length 300), demonstrating its effectiveness and efficiency. The code is available at https://github.com/AngxiaoYue/ReQFlow.