Customize Consent Preferences

We use cookies to help you navigate efficiently and perform certain functions. You will find detailed information about all cookies under each consent category below.

The cookies that are categorized as "Necessary" are stored on your browser as they are essential for enabling the basic functionalities of the site. ... 

Always Active

Necessary cookies are required to enable the basic features of this site, such as providing secure log-in or adjusting your consent preferences. These cookies do not store any personally identifiable data.

No cookies to display.

Functional cookies help perform certain functionalities like sharing the content of the website on social media platforms, collecting feedback, and other third-party features.

No cookies to display.

Analytical cookies are used to understand how visitors interact with the website. These cookies help provide information on metrics such as the number of visitors, bounce rate, traffic source, etc.

No cookies to display.

Performance cookies are used to understand and analyze the key performance indexes of the website which helps in delivering a better user experience for the visitors.

No cookies to display.

Advertisement cookies are used to provide visitors with customized advertisements based on the pages you visited previously and to analyze the effectiveness of the ad campaigns.

No cookies to display.

0

中国科大、哈佛联手打造AI蛋白质设计神器:PocketGen效率领先10倍,登Nature子刊

引言:想象一下,能够像搭积木一样精准设计蛋白质,赋予它们全新的功能。这不再是科幻,而是现实。中国科学技术大学和哈佛大学的研究团队近日在《Nature Machine Intelligence》期刊发表论文,介绍了一种名为PocketGen的深度生成算法,其蛋白质设计效率比现有顶级算法快10倍以上,为药物研发和生物技术领域带来了革命性的突破。

主体:

蛋白质是生命的基础,如同精密的“乐高积木”,构建着生物体的每一个功能。然而,自然界提供的蛋白质种类有限,无法满足人类日益增长的需求。因此,设计和定制蛋白质,赋予其特定功能,成为生物技术领域的重大挑战。 2024年诺贝尔化学奖得主David Baker教授在蛋白质设计领域做出了开创性贡献,其实验室开发的RFDiffusion和RFDiffusionAA模型已成为该领域的标杆。

然而,中国科学技术大学认知智能全国重点实验室刘淇教授指导的博士生张载熙,与哈佛大学医学院Marinka Zitnik教授课题组合作,开发的PocketGen算法,在效率和成功率上都超越了Baker教授的模型。PocketGen的核心创新在于其独特的双层图Transformer编码器和高效微调的蛋白质预训练语言模型。

  • 双层图Transformer编码器: 该编码器巧妙地结合了氨基酸层级和原子层级的图Transformer,分别捕捉蛋白质的宏观和微观相互作用信息。这种多尺度信息整合,为生成高质量的蛋白质口袋设计奠定了坚实的基础。

  • 蛋白质预训练语言模型: PocketGen基于ESM2预训练语言模型进行高效微调,只调整部分参数,并结合序列-结构交叉注意力机制,提高了序列与结构的一致性,降低了训练成本,并显著提升了预测精度。

PocketGen的优势在于其一体化的序列和结构设计能力。实验结果显示,PocketGen在蛋白质口袋的亲和力和结构合理性等关键指标上均优于传统方法,计算效率更是提升了10倍以上。与RFDiffusion和RFDiffusionAA相比,PocketGen也展现出显著的效率优势。这使得PocketGen能够在更短的时间内生成更多、更有效的蛋白质设计方案,极大地加速了药物研发和分子设计的进程。 (见图1和图2,需补充论文中的图表)

PocketGen的应用前景:

PocketGen的突破性进展为药物研发、生物传感器、酶催化等领域带来了新的可能性。例如,它可以用于设计更有效的药物靶点,开发更精准的生物传感器,以及创造具有更高催化效率的酶。 这项技术也为深入理解蛋白质设计规律,并开展更有效的生物实验验证提供了重要工具。

结论:

PocketGen的出现标志着人工智能在蛋白质设计领域的重大突破。 其高效的计算能力和高成功率,将加速新药研发和生物技术的进步。 这项由中国和美国科学家合作完成的研究成果,也展现了国际合作在推动科学进步中的重要作用,预示着未来人工智能与生物技术深度融合的广阔前景。 未来研究可以进一步探索PocketGen在更复杂蛋白质设计中的应用,以及如何将其与其他生物技术手段结合,以实现更广泛的应用。

参考文献:

[1] Zhang Z, Shen WX, Liu Q, et al. Efficient generation of protein pockets with PocketGen. Nature Machine Intelligence, 2024. https://www.nature.com/articles/s42256-024-00920-9

[2] (补充FAIR论文引用)

[3] (补充PocketFlow论文引用)

(注:文中需要补充论文中的图表,并补充FAIR和PocketFlow论文的引用信息。)


>>> Read more <<<

Views: 0

0

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注