蛋白质研究取得突破：新AI模型彻底改变药物设计！

蛋白质研究取得突破：新AI模型彻底改变药物设计！

研究团队来自 柏林自由大学 与合作 微软科学人工智能研究院 在生物蛋白质建模方面取得了重大突破。这个测试是7月10日期刊的核心 科学 发表的研究题为“利用生成深度学习对蛋白质平衡集成进行可扩展模拟”。新发现可以促进药物设计和生物医学研究的未来进步。

该研究的主要重点是引入 BioEmu，这是一种用于模拟蛋白质平衡行为的创新生成深度学习系统。 BioEmu 的特点是高精度和准确度，旨在更好地反映许多蛋白质的功能，这些蛋白质的活性很大程度上取决于其动态结构。开发的一个关键目标是提高新活性成分在临床研究中的成功率。

技术创新，提高效率

值得注意的是 BioEmu 能够在单个显卡 (GPU) 上每小时生成数千个统计上独立的蛋白质结构。这导致研究功能相关的结构变化所需的成本和时间显着减少。通过将超过 200 毫秒的分子动力学模拟与实验数据相结合，BioEmu 以接近实验的精度实现了结构系综和热力学性质的预测。

Frank Noé教授和Cecilia Clementi教授领导的研究团队为该领域的发展做出了重要贡献。微软研究院合作伙伴研究经理兼柏林 FU 荣誉教授 Noé 教授强调，BioEmu 还可以预测复杂的结构变化，例如隐藏的结合口袋和整个蛋白质结构域的运动。这使得能够精确预测蛋白质稳定性变化，其准确度可与实验室分析相媲美。

传统方法与深度学习

目前的分子动力学模拟技术速度慢、成本高且资源密集。 BioEmu 提供了更快、更便宜的替代方案。该模型由 Sarah Lewis 和她的团队开发，结合​​了来自 AlphaFold 结构预测、大规模分子动力学模拟和广泛的蛋白质稳定性实验测量的训练数据。

然而，也存在局限性：BioEmu 本身并不模拟分子动力学或与膜和配体的相互作用，也不考虑可变的环境条件，例如温度或 pH 值。尽管如此，作者仍希望该模型能够证明深度学习如何分摊模拟和实验的高成本，从而实现大规模、数据驱动的蛋白质功能预测。

实际意义和未来研究

该研究的一个重要方面是微软研究院发布了用于开发 BioEmu 的大型数据集。该数据集是最大的公开可用的序列多样性蛋白质模拟集合。麻省理工学院许可下的 BioEmu 源代码的广泛可用性为生物信息学研究和药物设计开辟了新途径。

这样的研究对于理解在不同形式之间切换的蛋白质的生物学和功能至关重要。这仍然是科学的一个关键挑战，特别是在生物技术和医学研究领域。