Nature子刊，优于AlphaFold，全原子采样，一种预测肽结构的AI方法

文章预览

将 ScienceAI   设为 星标 第一时间掌握 新鲜的 AI for Science 资讯 编辑 | 萝卜皮 深度学习方法推动了生物分子结构单态预测的重大进展。然而，生物分子的功能取决于它们可以呈现的构象范围。对于肽来说尤其如此，肽是一类高度灵活的分子，参与多种生物过程，作为治疗手段备受关注。 多伦多大学的 Philip M. Kim 和 Osama Abdin 开发了 PepFlow，这是 一种可转移生成模型，它能够从输入肽的允许构象空间中直接进行全原子采样。研究人员在扩散框架中训练模型，然后使用等效流进行构象采样。 为了克服广义全原子建模的成本过高，他们模块化了生成过程并集成了超网络来预测序列特定的网络参数。PepFlow 可准确预测肽结构，并有效重现实验肽集合，所需运行时间仅为传统方法的一小部分。PepFlow 还可用于对满足大环化等约束的构象进行采样。 「到目前为 ………………………………