AlphaFolding填补蛋白质动态结构预测空白！复旦大学等提出4D扩散模型，成果入选AAAI 2025

将 AlphaFold2 的方法扩展至时间维度

原标题：AlphaFolding填补蛋白质动态结构预测空白！复旦大学等提出4D扩散模型，成果入选AAAI 2025
文章来源：HyperAI超神经
内容字数：8936字

复旦大学等团队提出创新4D扩散模型，精准预测蛋白质动态结构

本文介绍了复旦大学、上海科学智能研究院和学的研究团队提出的创新性4D扩散模型AlphaFolding，该模型结合分子动力学模拟数据，能够同时预测多个时间步长的蛋白质轨迹，为蛋白质动态结构预测领域带来了突破性进展。

1. 蛋白质动态结构研究的重要性

传统的“锁钥模型”认为蛋白质结构是静态的，但实际上蛋白质的动态特性对其功能至关重要。分子动力学模拟的兴起揭示了蛋白质的轨迹，理解蛋白质的动态特征对理解生命过程和研发新型药物具有重要意义。例如，许多药物靶点GPCR具有高度动态性，静态结构预测可能错过关键结合位点，而动态结构预测可以优化药物设计，提高疗效。

2. AlphaFolding模型的创新之处

AlphaFolding模型是首个基于扩散模型的方法，能够同时预测多个时间步长的蛋白质轨迹。它利用高质量的分子动力学模拟数据，生成包含完整侧链表示的动态蛋白质结构，适用于数百个氨基酸组成的复杂蛋白质。该模型采用AlphaFold2的基于坐标框架的蛋白质结构表示方法，并将其扩展至时间维度，通过特殊欧几里得变换保持结构完整性。

3. 模型构建与实验结果

该模型将参考结构和残基序列作为输入，生成一系列去噪后的3D蛋白质结构作为输出。它结合了3D结构嵌入器、GeoFormer、不变点注意力机制、参考网络和对齐模块等技术。在ATLAS和快速折叠蛋白数据集上的实验结果表明，AlphaFolding模型在预测包含最多256个氨基酸、跨度达32个时间步长的动态3D结构方面表现出高精度，能够有效捕捉稳定状态下的局部柔性以及显著的构象变化。与现有方法相比，该模型显著降低了预测误差，展现了优秀的泛化能力。

4. 与现有研究的对比

虽然AlphaFold2等模型在静态蛋白质结构预测方面取得了巨大成功，但对动态结构的预测能力有限。本研究提出的4D扩散模型正是为了弥补这一空白，重点关注蛋白质结构的动态特性。与其他一些尝试解析蛋白质动态构象的AI模型（例如Pro、DynamicBind）相比，AlphaFolding在预测多个时间步长上的精度更高，适用范围更广。

5. 未来展望

蛋白质动态结构预测是结构生物学和计算生物学的前沿挑战，AlphaFolding模型的提出为该领域带来了新的突破。它不仅能够帮助理解生命过程，还能在药物开发、疾病机理研究和工业生物技术等领域发挥重要作用，推动生命科学的前沿发展。未来，该模型有望进一步改进，应用于更复杂的蛋白质系统和更广泛的生物学问题。

联系作者

文章来源：HyperAI超神经
作者微信：
作者简介：解构技术先进性与普适性，报道更前沿的 AIforScience 案例