主要观点总结
本文介绍了字节跳动ByteDance Research团队在蛋白质构象预测方面的最新研究成果。该团队提出了一种物理信息引导的蛋白质构象生成扩散模型CONFDIFF，能够预测蛋白质的动态构象分布，生成低能且服从真实分布的蛋白质构象。该模型通过预测中间时刻的能量与力场，结合玻尔兹曼分布理论，提高了构象预测的准确性和多样性。研究还表明，CONFDIFF模型在快速折叠蛋白质和牛胰蛋白酶抑制剂等数据集上表现出优异的性能。这项研究有助于更准确地预测药效、理解成药机理、设计药物和发现新靶点。
关键观点总结
关键观点1: 研究背景
现有的蛋白质结构预测模型往往只能预测静态单一结构，难以预测动态构象分布。字节跳动ByteDance Research团队首次将玻尔兹曼先验与生成扩散模型结合，提出了CONFDIFF模型。
关键观点2: 研究方法
CONFDIFF模型通过预测中间时刻的能量与力场，结合玻尔兹曼分布理论，引导模型生成更加低能多样且服从真实分布的构象。模型采用了生成扩散模型，并结合序列条件进行引导。
关键观点3: 实验结果
在快速折叠蛋白质和牛胰蛋白酶抑制剂等数据集上，CONFDIFF模型表现出优异的性能，生成的构象具有低能量、多样性和真实的分布。此外，模型在亚稳态预测方面也表现出良好的能力。
关键观点4: 研究意义
这项研究有助于扩展蛋白质结构的探索，从预测静态单一结构走向预测动态构象分布，为准确的药效预测、理解成药机理、设计药物和发现新靶点提供帮助。ByteDance Research AI 制药团队在 AI for Science 方向持续取得业界瞩目的成果。
文章预览
来源：ScienceAI 本文 约2900字 ，建议阅读 9 分钟 团队在生成式蛋白质设计、蛋白质构象预测以及冷冻电镜解析等领域取得了业界瞩目的成果。 世界是变化的，分子是运动的，从预测静态单一结构走向动态构象分布是揭示蛋白质等生物分子功能的重要一步。 探索蛋白质的构象分布，能帮助理解蛋白质与其他分子相互作用的生物过程；识别蛋白质表面下的潜在药物位点，描绘各个亚稳态之间的过渡路径，有助于研究人员设计出具有更强特异性和效力的目标抑制剂和治疗药物。 但传统的分子动力学模拟方法昂贵且耗时，难以跨越长的时间尺度，从而观察到重要的生物过程。 近年来的深度学习蛋白质结构预测模型在这个问题上也同样碰壁，往往只能预测静态单一结构，包括最近再次登上 Nature 的 AlphaFold 3，DeepMind 的研究者也承认其仍然 专注于分子结构
………………………………
