BioEmu AI 揭示了生物条件下的蛋白质编排

快速阅读: 《印度教徒》消息，微软与高校团队开发BioEmu，利用AI扩散模型预测蛋白质多种构象，准确率达83%，助力药物研发，但尚不能模拟动态过程。

据《科学》杂志报道，9月12日，美国微软公司与莱斯大学、德国自由大学的研究团队共同开发了一种名为BioEmu的新型深度学习系统，该系统能够预测蛋白质在生物条件下自然探索的所有形状范围。这项技术被称为平衡集合模型，与传统方法相比，BioEmu能以更快的速度和更低的成本实现大规模的高分辨率蛋白质灵活性建模，有助于深入理解蛋白质的功能。

蛋白质并非静止不动的雕塑，而是会扭曲、弯曲，甚至解开。这些动态变化对蛋白质功能至关重要。例如，某些酶类蛋白质像贝壳一样打开以捕捉分子，信号蛋白则通过改变形状来调控细胞过程，还有一些蛋白质会暂时暴露出隐藏的空隙供药物结合。尽管现有的AI工具如AlphaFold能够预测蛋白质结构，但通常只能提供一种稳定的形态。

BioEmu通过依赖AI扩散模型解决了这一问题。在训练过程中，研究人员输入了大量真实蛋白质结构数据，包括数百万个AlphaFold预测的组装体、200毫秒的MD模拟数据以及50万个突变序列。训练完成后，BioEmu能够从零开始生成数千种合理的蛋白质构象，准确预测了83%的大范围变化和70-81%的小范围变化，包括腺苷酸激酶的开放和关闭形式。

尽管BioEmu在预测蛋白质静态构象方面表现出色，但它无法模拟蛋白质随时间的变化过程，如药物如何到达隐藏的结合位点。此外，BioEmu目前还无法处理温度变化、膜环境等因素的影响，也无法建模蛋白质间的相互作用。因此，它应被视为一种假设生成工具，而非最终结论的来源。

SRM科技大学生物信息学家Kalairasan Ponnuswamy表示，BioEmu与传统的分子动力学（MD）模拟是互补的。BioEmu可以快速生成一系列合理的蛋白质构象，而MD则可以进一步详细探索这些构象的具体形成过程。这种结合使用的方法可以显著缩短研究时间，同时保持高精度，使得大规模的药物发现和功能研究变得更加高效。

Ponnuswamy还强调，未来科学家需要具备深厚的物理和化学知识，同时掌握机器学习和物理建模技术，才能充分利用这种混合方法的潜力。

(以上内容均由Ai生成)