今日应用
今日话题
填补AlphaFold3空白,字节跳动提出物理引导的方法让蛋白质动起来
重点标签 蛋白质构象、深度学习、AlphaFold 3、CONFDIFF、AI制药
文章摘要
探索蛋白质的构象分布对于理解其生物功能至关重要,但传统的分子动力学模拟方法和深度学习模型如AlphaFold 3在预测动态构象分布方面存在局限。字节跳动ByteDance Research的研究人员提出了一种名为CONFDIFF的物理信息引导的蛋白质构象生成扩散模型,该模型利用物理知识引导模型与真实世界对齐,同时避免实时计算力场和能量,提高了预测效率。CONFDIFF在SE (3)空间上构建非条件生成扩散模型,通过预测主链原子坐标和主链朝向构建蛋白质构象,并使用基于序列的条件生成模型引导非条件模型,以增加构象多样性并符合结构与序列约束。研究者还提出了能量与力场引导方法,通过预测中间时刻的能量梯度(力场)来引导模型生成低能且服从真实分布的蛋白质构象。
在快速折叠蛋白质和牛胰蛋白酶抑制剂(BPTI)数据集上的评估显示,CONFDIFF在生成低能态、多样化且服从真实分布的样本方面优于现有模型。力场引导的方法在保持构象多样性的同时提高了生成有效性,显示出物理引导的优势。此外,CONFDIFF还能在不同程度的力场引导和序列条件下生成具有高稳定性和多样性的蛋白质构象。
这项研究将玻尔兹曼先验与生成扩散模型结合,有助于从预测静态单一结构转向预测动态构象分布,为药效预测、成药机理理解、药物设计和新靶点发现提供支持。ByteDance Research AI制药团队在AI for Science方向上持续发力,取得了包括生成式蛋白质设计、蛋白质构象预测和冷冻电镜解析等领域的显著成果。
文章来源
原文地址: 点我阅读全文
原文作者: 机器之心
© 版权声明
文章版权归作者所有,未经允许请勿转载。
相关文章
暂无评论...