AI驅動的蛋白質設計

　　擴散模型已被證明在圖像和文本生成中很有用，而且似乎也適用于蛋白質設計。然而，這類模型目前的成功率并不高；產生的序列基本不能折疊成目標結構。而近期，由《自然》（Nature）發表的一篇論文描述了一種能設計新蛋白質的深度學習方法，名為RoseTTAFold Diffusion（RFdiffusion）。該方法能生成各種功能性蛋白質，包括在天然蛋白質中從未見過的拓撲結構。

　　研究表明，通過細調RoseTTAFold的結構預測網絡并將其整合到一個降噪擴散模型中，就能生成具有實際意義的蛋白質骨架。該模型能測試擁有不同結構元素的設計組合，并從頭開始產生蛋白質。RFdiffusion能執行不同的任務，設計單體（蛋白質的基本組成單位）、寡聚體（多亞基聚體）和有治療或工業應用前景的復雜結構（如結合位點）。研究者生成了設計的一種結合蛋白與其底物的復合物并分析了其結構，發現結果與設計的模型幾乎一模一樣，從而證明了該方法的準確性。RFdiffusion是對目前蛋白質設計方法的一次綜合改進，能產生總長度達600個殘基的結構，復雜性和準確度都比之前更高。對該方法的進一步改進或能設計出復雜程度更高的新蛋白。