AI驱动的蛋白质设计

　　扩散模型已被证明在图像和文本生成中很有用，而且似乎也适用于蛋白质设计。然而，这类模型目前的成功率并不高；产生的序列基本不能折叠成目标结构。而近期，由《自然》（Nature）发表的一篇论文描述了一种能设计新蛋白质的深度学习方法，名为RoseTTAFold Diffusion（RFdiffusion）。该方法能生成各种功能性蛋白质，包括在天然蛋白质中从未见过的拓扑结构。

　　研究表明，通过细调RoseTTAFold的结构预测网络并将其整合到一个降噪扩散模型中，就能生成具有实际意义的蛋白质骨架。该模型能测试拥有不同结构元素的设计组合，并从头开始产生蛋白质。RFdiffusion能执行不同的任务，设计单体（蛋白质的基本组成单位）、寡聚体（多亚基聚体）和有治疗或工业应用前景的复杂结构（如结合位点）。研究者生成了设计的一种结合蛋白与其底物的复合物并分析了其结构，发现结果与设计的模型几乎一模一样，从而证明了该方法的准确性。RFdiffusion是对目前蛋白质设计方法的一次综合改进，能产生总长度达600个残基的结构，复杂性和准确度都比之前更高。对该方法的进一步改进或能设计出复杂程度更高的新蛋白。