填補AlphaFold3空白，字節(jié)跳動提出物理引導的方法讓蛋白質(zhì)動起來

AIGC動態(tài)歡迎閱讀

原標題：填補AlphaFold3空白，字節(jié)跳動提出物理引導的方法讓蛋白質(zhì)動起來
關(guān)鍵字：蛋白質(zhì),模型,字節(jié)跳動,力場,能量
文章來源：機器之心
內(nèi)容字數(shù)：0字

內(nèi)容摘要：

機器之心發(fā)布
機器之心編輯部世界是變化的，分子是的，從預測靜態(tài)單一結(jié)構(gòu)走向動態(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；識別蛋白質(zhì)表面下的潛在藥物位點，描繪各個亞穩(wěn)態(tài)之間的過渡路徑，有助于研究人員設計出具有更強特異性和效力的目標和治療藥物。但傳統(tǒng)的分子動力學模擬方法昂貴且耗時，難以跨越長的時間尺度，從而觀察到重要的生物過程。
近年來的深度學習蛋白質(zhì)結(jié)構(gòu)預測模型在這個問題上也同樣碰壁，往往只能預測靜態(tài)單一結(jié)構(gòu)，包括最近再次登上 Nature 的 AlphaFold 3，Deepmind 的研究者也承認其仍然專注于分子結(jié)構(gòu)的靜態(tài)預測，對動力學行為的刻畫還不夠。另一方面，蛋白質(zhì)構(gòu)象并非隨機分布，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)是目標蛋白質(zhì)的低能態(tài)，也不能保證采樣的分布服從真實的玻爾茲曼分布。圖片來源: 《Accurate structure prediction of biomolecular interactions》

原文鏈接：填補AlphaFold3空白，字節(jié)跳動提出物理引導的方法讓蛋白質(zhì)動起來