填補(bǔ)AlphaFold3空白，字節(jié)跳動(dòng)提出物理引導(dǎo)的方法讓蛋白質(zhì)動(dòng)起來

AIGC動(dòng)態(tài)歡迎閱讀

原標(biāo)題：填補(bǔ)AlphaFold3空白，字節(jié)跳動(dòng)提出物理引導(dǎo)的方法讓蛋白質(zhì)動(dòng)起來
關(guān)鍵字：蛋白質(zhì),模型,字節(jié)跳動(dòng),力場(chǎng),能量
文章來源：機(jī)器之心
內(nèi)容字?jǐn)?shù)：0字

內(nèi)容摘要：

機(jī)器之心發(fā)布
機(jī)器之心編輯部世界是變化的，分子是的，從預(yù)測(cè)靜態(tài)單一結(jié)構(gòu)走向動(dòng)態(tài)構(gòu)象分布是揭示蛋白質(zhì)等生物分子功能的重要一步。探索蛋白質(zhì)的構(gòu)象分布，能幫助理解蛋白質(zhì)與其他分子相互作用的生物過程；識(shí)別蛋白質(zhì)表面下的潛在藥物位點(diǎn)，描繪各個(gè)亞穩(wěn)態(tài)之間的過渡路徑，有助于研究人員設(shè)計(jì)出具有更強(qiáng)特異性和效力的目標(biāo)和治療藥物。但傳統(tǒng)的分子動(dòng)力學(xué)模擬方法昂貴且耗時(shí)，難以跨越長(zhǎng)的時(shí)間尺度，從而觀察到重要的生物過程。
近年來的深度學(xué)習(xí)蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)模型在這個(gè)問題上也同樣碰壁，往往只能預(yù)測(cè)靜態(tài)單一結(jié)構(gòu)，包括最近再次登上 Nature 的 AlphaFold 3，Deepmind 的研究者也承認(rèn)其仍然專注于分子結(jié)構(gòu)的靜態(tài)預(yù)測(cè)，對(duì)動(dòng)力學(xué)行為的刻畫還不夠。另一方面，蛋白質(zhì)構(gòu)象并非隨機(jī)分布，而是玻爾茲曼分布，其出現(xiàn)的概率與其能量成指數(shù)級(jí)的反比。一些研究使用啟發(fā)性采樣或模型加噪去噪的方法，但均不能保證采樣的結(jié)構(gòu)是目標(biāo)蛋白質(zhì)的低能態(tài)，也不能保證采樣的分布服從真實(shí)的玻爾茲曼分布。圖片來源: 《Accurate structure prediction of biomolecular interactions》

原文鏈接：填補(bǔ)AlphaFold3空白，字節(jié)跳動(dòng)提出物理引導(dǎo)的方法讓蛋白質(zhì)動(dòng)起來

聯(lián)系作者

文章來源：機(jī)器之心
作者微信：almosthuman2014
作者簡(jiǎn)介：專業(yè)的人工智能媒體和產(chǎn)業(yè)服務(wù)平臺(tái)