CyclicMPNN: 环肽序列设计专用模型——ProteinMPNN 的环肽微调版

你用 RFPeptide 或 GenKIC 生成了一堆环肽骨架，却卡在序列设计这步------通用 ProteinMPNN 的训练集几乎全是球蛋白，给短环肽配的序列折叠成功率不高；本文给你俄勒冈大学团队 2026 年推出的 CyclicMPNN：在环肽专用数据上微调 ProteinMPNN，架构零改动，8 残基环肽的中位骨架 RMSD 从 1.55 Å 降到 1.13 Å，motif inpainting 稳定序列数量约翻倍；本文附本地实测：纯 CPU 0.35 秒出 8 条序列，多样性优势当场复现（成对差异 42.9% vs 22.6%），外加参数名、jsonl 格式 3 个 README 没写的坑；你能直接 clone 仓库加载官方权重，串起"骨架生成 → 序列设计 → HighFold 验证"的闭环。

关键字：CyclicMPNN；环肽序列设计；逆折叠；ProteinMPNN；微调；motif inpainting；HighFold；序列多样性

骨架生成模型越来越快，序列设计却还压在环肽设计管线的瓶颈上------CyclicMPNN 的答案很朴素：不换架构，换训练分布。

论文 : Powers AC, Janthana Y, Hosseinzadeh P. CyclicMPNN: Stable cyclic peptide sequence generation. Digital Discovery (2026). doi:10.1039/d6dd00083e（preprint: bioRxiv 2026.01.31.702993, doi:10.64898/2026.01.31.702993）

GitHub : ParisaH-Lab/CyclicMPNN ⭐51（2026-09 实测）｜ MIT ｜训练数据: Zenodo 20839855

资源	类型	与本文关系
GitHub README	官方文档	安装、权重、代码组织，本文第四节命令全部来自这里
Google Colab 笔记本（仓库 `colab_notebooks/`）	官方教程	免本地环境快速上手
Tamarind Bio 在线版	Web 服务	no-code 跑 CyclicMPNN，免装环境

文献	为什么值得先读
Dauparas J, et al. Science 378, 49--56 (2022). doi:10.1126/science.add2187	ProteinMPNN 原始论文------CyclicMPNN 的基座，本系列第 11 篇已介绍
Hosseinzadeh P, et al. Nucleic Acids Res (2024). HighFold------环肽结构预测，本文所有折叠验证都用它，本系列第 15 篇已介绍	理解闭环验证的关键
Rosetta Commons 报道（2026-02-25）链接	训练细节的第三方解读，200 epochs / 最低 perplexity checkpoint 等细节出处

一、解决什么问题

环肽序列设计的标准流程是三段式：骨架生成 → 序列设计 → 折叠验证。骨架生成这端，RFPeptide、CyclicCAE 这类扩散/生成模型已经把速度提上来了；验证这端有 HighFold（环肽版 AlphaFold2，见本系列第 15 篇）。中间的序列设计，多数人直接拿 ProteinMPNN 凑合------问题就出在这。

ProteinMPNN 的训练数据来自 PDB，而 PDB 里占绝对主导的是大球蛋白。环肽是另一个结构世界：

复制代码

球蛋白:   几百残基、有二级结构、疏水核心
环肽:     6-14 残基、头尾共价成环、无核心可言

模型没见过足够多的"成环约束下的残基环境"，给环肽骨架配出来的序列折叠成功率自然打折扣。更麻烦的是短序列的构象熵惩罚------一条 8 残基的线性肽要稳定折叠已经不容易，头尾锁死后对序列的"能量合理性"要求反而更高：序列和骨架只要有一点不匹配，整个环张力就顶在那里，没有球蛋白那种局部容忍度。

作者的判断很直接：这不是架构问题，是训练分布问题。所以 CyclicMPNN 不改 ProteinMPNN 的任何网络结构，只是把训练数据换成环肽富集的数据集重新微调------和 ThermoMPNN（耐热）、SolubleMPNN（可溶性）、LigandMPNN（配体感知）是同一个套路：基座不动，领域适配。

二、论文核心数据

2.1 晶体结构重设计：4 个 X-ray 环肽

论文选了 4 个实验解析的环肽晶体结构（PDB: 9CDT、9HGC、9CDU、9HGD）做重设计测试。这 4 个肽当初就是用 ProteinMPNN 迭代设计出来的，按理说 ProteinMPNN 有"主场优势"。结果：

指标	CyclicMPNN	ProteinMPNN	HighMPNN
序列恢复率	50%（56/40/57/54%），四个结构表现一致	波动较大	部分靶点落后
预测结构 vs 晶体骨架 RMSD	全部 ≤ 1.0 Å（0.5/0.7/0.5/0.6 Å）	多数持平或略差	若干靶点落后

这里有个值得注意的细节：序列恢复率高不稀奇，稀奇的是稳------四个结构上都在 50% 上下，而 ProteinMPNN 在不同靶点间波动明显。对设计管线来说，稳定性比峰值更重要。

2.2 De novo 骨架配序列：全长度碾压

在合成骨架系综上（GenKIC 生成 + RFPeptide 14 聚体，共 10,000 个预测结构做统计），CyclicMPNN 在测试的全部长度（6、8、10、14 残基）上 RMSD 和 pLDDT 都优于 ProteinMPNN。最典型的 8 残基环肽：

复制代码

8-residue 环肽, 中位骨架 RMSD:
ProteinMPNN    1.55 Å
CyclicMPNN     1.13 Å   ← 降低 27%

2.3 Motif inpainting：稳定序列数量翻倍

Motif inpainting 是保留功能片段（比如 Nrf2 的 hot loop）、只设计周围支架的策略。这是药化最常用的玩法------活性 motif 固定，环肽只是递呈构象的载体。结果 CyclicMPNN 产出的含目标 motif 的稳定环肽数量约为 ProteinMPNN 的 2 倍 （稳定性用 Rosetta simple_cycpep_predict 的 P_Near 指标评估）。

2.4 序列多样性

嵌入空间投影显示，CyclicMPNN 在 6-mer 和 8-mer 上探索的序列空间更宽、重复序列更少。这对下游是实打实的好处------同一骨架拿到一组更多样的候选，挑成药性更好那条的概率更高。

三、方法原理：一条"数据生产线"撑起来的微调

整个方法学就是造数据。架构上 ProteinMPNN 一行没动，作者把功夫全花在环肽训练集的构建上，流程是一条闭环生产线：

复制代码

poly-Ala 环肽构象系综 (PyRosetta GenKIC)
        ↓
ProteinMPNN 设计序列
        ↓
HighFold 折叠预测
        ↓
预测结构 vs 目标骨架 RMSD 筛选 (只留低 RMSD 的)
        ↓
聚类去冗余
        ↓
+ PDB 实验环肽结构
        ↓
微调 ProteinMPNN (200 epochs, 取最低 perplexity checkpoint)

这套"生成-验证-过滤"的自我蒸馏思路值得记住：用结构预测器当裁判，只让"序列能折叠回目标骨架"的样本进训练集 。数据创建脚本（datacreation_scripts/insolution_genkic.py）在仓库里开源，意味着你可以照着这条生产线给自己的结构类型（比如 D-氨基酸骨架、非天然残基）造专属数据集------这是比模型本身更有长期价值的部分。

药物化学视角多说一句：环肽好做在哪？三个字------刚性、透膜、抗酶解。头尾成环+构象受限让熵惩罚提前付清，结合亲和力不用靠大分子量硬堆；分子量 500-1000 Da 的环肽依然可能口服（环孢素是老祖宗案例）；暴露的末端氨基羧基没了，蛋白酶没了下口。这些性质让环肽成为少数能碰"蛋白-蛋白界面平坦口袋"的小分子格式。

四、怎么跑

4.1 本地部署（实测通过）

依赖确实只要三样（Python + PyTorch + Numpy），拿任一现成 torch 环境即可。权重分两处放：cyclicmpnn_weights/cyclicmpnn_48_010.pt（环肽版，20 MB）和 vanilla_model_weights/v_48_010.pt（原版对照，6.7 MB），全套脚本就 protein_mpnn_run.py + protein_mpnn_utils.py 两个文件。

实测踩坑（照抄可少走弯路）：

README 没写运行命令，直接套 ProteinMPNN 老参数名会报错------实际参数是 --pdb_path（不是 --pdb_inputs）+ --path_to_model_weights + --model_name；
--model_name 传 cyclicmpnn_48_010（不带 .pt 后缀 ，代码自动补，带了会找 xxx.pt.pt）；
--fixed_positions_jsonl 的格式坑最多：key 必须是 PDB 文件名（去扩展名）；每条链都必须声明 （B 链全设计要显式给空数组 "B": []，缺了直接 KeyError）；位置必须是整数数组（写 "1-119" 字符串报 UFunc 类型错）。

一条实测可跑的完整命令（蛋白链 A 固定、环肽链 B 设计）：

复制代码

# assigned.jsonl: {"9HGC_AB": ["A", "B"]}
# fixed.jsonl:   {"9HGC_AB": {"A": [1,...,119], "B": []}}
python protein_mpnn_run.py \
    --pdb_path inputs/9HGC_AB.pdb \
    --out_folder outputs_cyclic \
    --path_to_model_weights cyclicmpnn_weights/ \
    --model_name cyclicmpnn_48_010 \
    --chain_id_jsonl assigned.jsonl \
    --fixed_positions_jsonl fixed.jsonl \
    --sampling_temp 0.1 --num_seq_per_target 8

输出 FASTA 带 score 和 seq_recovery；纯 CPU 8 条序列 0.35 秒，笔记本无压力。

4.2 实测对比：同一环肽两个模型

拿论文 4 个测试结构之一的 9HGC（GABARAPL1 蛋白 + 15 残基环肽 GAB_D8 共晶），A 链固定、B 链设计，同温度 T=0.1 各采 8 条：

指标	CyclicMPNN	vanilla ProteinMPNN
序列恢复率（对 WT）	0.358 ± 0.087	0.467 ± 0.036
唯一序列	8/8	6/8
序列间平均成对差异	42.9%	22.6%
平均 score（负对数概率）	1.052	1.049

两个诚实的解读：

多样性优势当场复现------CyclicMPNN 8 条全不重样、彼此差异 42.9%，vanilla 一半序列近乎复读（22.6%）。这正是论文 §Sequence Space Exploration 的结论，而且对你下游是真金白银：同样采 8 条，候选池的实际宽度差了近一倍。
单点恢复率 vanilla 反而更高 ------这跟论文不矛盾但值得说透：9HGC 这类晶体结构当初就是 ProteinMPNN 迭代设计出来的，属于它的"主场"；论文的核心指标也不是 recovery，而是设计序列经 HighFold 折叠后与目标骨架的 RMSD（这一步需要 HighFold 环境，本次未跑）。所以这个单点对比只说明"两个模型给出的序列风格不同"，不代表设计成功率高下------要下那个结论，得把两个模型的序列都送进 HighFold 折叠再量 RMSD。

4.3 不想装环境？

Tamarind Bio 提供在线版，浏览器里传 PDB 就能出序列，适合先试效果再决定要不要本地化。

训练/测试数据在 Zenodo 20839855（2026-01-31, v1.0），复现训练走仓库 training/ 目录。

五、与同类工具对比

工具	定位	与 CyclicMPNN 关系
ProteinMPNN	通用逆折叠基座	CyclicMPNN 的起点与主要对比对象
HighMPNN	ProteinMPNN + 环肽增强模块	改架构路线；CyclicMPNN 在多数环肽指标上不输或更优，且序列恢复更稳
RFPeptide / CyclicCAE	环肽骨架生成	上游搭档------它们出骨架，CyclicMPNN 配序列
HighFold	环肽结构预测	下游验证器，也是本文训练数据的裁判
Rosetta `simple_cycpep_predict`	物理方法折叠+稳定性评估	P_Near 打分用；慢但对，适合终选

选型逻辑一句话：骨架用 RFPeptide 生成、序列用 CyclicMPNN 设计、HighFold 快筛、simple_cycpep_predict 终选------四件套各管一段，这也是当前环肽计算设计的主流管线形态。

六、局限与展望

只支持 20 种天然 L-氨基酸 ------这是对药化人最痛的限制。上市环肽（环孢素、万古霉素、达托霉素）几乎没有不含 D-氨基酸或非天然残基的，D-AA 正是抗酶解和调构象的关键手段。CyclicMPNN 目前覆盖不了这块，需要等作者的后续工作或自己照 datacreation_scripts/ 生产线造非天然残基数据集。
依赖骨架质量------逆折叠模型不生产骨架，骨架本身不合理，序列再好也白搭。
训练集含"自我蒸馏"成分------ProteinMPNN 参与造数据、再微调 ProteinMPNN，模型偏见可能被继承（论文用 HighFold 独立验证做了部分对冲）。
未做湿实验验证------目前全部证据是计算指标（RMSD/pLDDT/P_Near），实验验证是这篇工作最明显的下一步。

待追踪锚点：非天然残基扩展、湿实验数据、与 RFdiffusion 类环肽骨架生成器的端到端整合。

七、选型决策

场景	推荐
环肽骨架已定，配序列	CyclicMPNN
大蛋白/抗体设计	ProteinMPNN 原版
含配体/金属的口袋设计	LigandMPNN
环肽从头全流程	RFPeptide → CyclicMPNN → HighFold
终选前物理复核	`simple_cycpep_predict` (P_Near)

参考来源

Powers AC, Janthana Y, Hosseinzadeh P. CyclicMPNN: stable cyclic peptide sequence generation. Digital Discovery (2026). doi:10.1039/d6dd00083e ｜ PMID 41659625
Preprint: bioRxiv 2026.01.31.702993. doi:10.64898/2026.01.31.702993
GitHub: GitHub - ParisaH-Lab/CyclicMPNN: A fine-tuned version of ProteinMPNN for generating stable cyclic peptide sequences · GitHub （MIT, 51★/2026-09 实测）
训练数据: https://zenodo.org/records/20839855
Dauparas J, et al. Science 378, 49--56 (2022). doi:10.1126/science.add2187
Rosetta Commons: CyclicMPNN adapts sequence design to cyclic backbones (2026-02-25)
Tamarind Bio 在线版: CyclicMPNN Online | Robust sequence generation for stable cyclic peptides

我的专栏链接

蛋白 / 多肽	分子模拟 / 动力学	分子对接 / CADD / 工具	agent / 核酸 / 药物
开源蛋白结构推理	分子模拟基础	UCSF DOCK系列	agent智能体系列
开源蛋白生成实践	分子动力学模拟-Amber	rDock系列教程	化学大模型介绍
蛋白设计原理案例	分子动力学模拟-Gromacs	LeDock系列教程	我胡师兄说药
多肽设计模型实践	开源結合自由能计算	CADD中的机器学习模型	siRNA药物设计模型
开源多肽性质预测	高效计算基本配置	小分子药物设计案例	ASO药物设计模型
多肽设计原理案例	靶向DNA/RNA药物设计	开源小分子生成和设计实践	开源药代动力学软件教程

CyclicMPNN: 环肽序列设计专用模型——ProteinMPNN 的环肽微调版

相关教程与核心文献

一、解决什么问题

二、论文核心数据

2.1 晶体结构重设计：4 个 X-ray 环肽

2.2 De novo 骨架配序列：全长度碾压

2.3 Motif inpainting：稳定序列数量翻倍

2.4 序列多样性

三、方法原理：一条"数据生产线"撑起来的微调

四、怎么跑

4.1 本地部署（实测通过）

4.2 实测对比：同一环肽两个模型

4.3 不想装环境？

五、与同类工具对比

六、局限与展望

七、选型决策

我的专栏链接