ReQFlow: Gecorrigeerde Quaternionstroom voor Efficiënte en Hoogwaardige Generatie van Eiwitruggengraten

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

February 20, 2025

Auteurs: Angxiao Yue, Zichong Wang, Hongteng Xu

cs.AI

Samenvatting

Het genereren van eiwitruggengraten speelt een centrale rol in de novo eiwitontwerp en is van groot belang voor veel biologische en medische toepassingen. Hoewel diffusie- en stromingsgebaseerde generatieve modellen potentiële oplossingen bieden voor deze uitdagende taak, genereren ze vaak eiwitten met ongewenste ontwerpbaarheid en lijden ze onder computationele inefficiëntie. In deze studie stellen we een nieuwe gecorrigeerde quaternionstroom (ReQFlow) matching-methode voor voor snelle en hoogwaardige generatie van eiwitruggengraten. In het bijzonder genereert onze methode een lokale translatie en een 3D-rotatie uit willekeurige ruis voor elk residu in een eiwitketen, waarbij elke 3D-rotatie wordt weergegeven als een eenheidsquaternion en de stroom ervan wordt geconstrueerd door sferische lineaire interpolatie (SLERP) in een exponentieel formaat. We trainen het model door quaternionstroom (QFlow) matching met gegarandeerde numerieke stabiliteit en corrigeren het QFlow-model om de inferentie te versnellen en de ontwerpbaarheid van gegenereerde eiwitruggengraten te verbeteren, wat leidt tot het voorgestelde ReQFlow-model. Experimenten tonen aan dat ReQFlow state-of-the-art prestaties bereikt in het genereren van eiwitruggengraten, terwijl het veel minder bemonsteringsstappen en aanzienlijk minder inferentietijd vereist (bijvoorbeeld 37x sneller dan RFDiffusion en 62x sneller dan Genie2 bij het genereren van een ruggengraat met een lengte van 300), wat de effectiviteit en efficiëntie ervan aantoont. De code is beschikbaar op 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.