编辑 | 萝卜皮2024年，科学界迎来了重要的突破与创新，尤其是在人工智能与结构生物学的结合领域。 正如今年诺贝尔奖颁发所体现的那样，人工智能（AI）技术的迅猛发展正在推动各学科的深度融合，揭示了生命科学研究的新机遇与前景。 在这一年里，AI 与生物学的交汇点愈发引人注目，成为推动现代生物医药、医学研究、生命科学等领域变革的重要力量。
编辑 | 萝卜皮
2024年，科学界迎来了重要的突破与创新，尤其是在人工智能与结构生物学的结合领域。正如今年诺贝尔奖颁发所体现的那样，人工智能（AI）技术的迅猛发展正在推动各学科的深度融合，揭示了生命科学研究的新机遇与前景。
在这一年里，AI 与生物学的交汇点愈发引人注目，成为推动现代生物医药、医学研究、生命科学等领域变革的重要力量。
具体而言，蛋白质结构预测、蛋白-蛋白互作、蛋白-核酸互作等基础生命科学的关键问题，依托 AI 的计算能力，取得了令人瞩目的进展。
AI 技术已经打破了传统方法的局限，不仅加深了我们对生命本质的理解，也为药物研发和疾病诊断提供了全新的思路。这些领域的突破不仅推动了基础生物学的深入探索，也使酶工程、制药、医疗诊断等实际应用场景中诞生了新机遇。
接下来，ScienceAI 将回顾 2024 年 AI 在结构生物学、生物大分子互作领域的一些重要研究进展。
温馨提示：点击文章标题可直达文章。
- 新SOTA，浙大、中科院深度学习模型可靠、准确预测蛋白-配体，助力药物开发
- AI for Science 是科学的未来，NVIDIA 正加速它的到来
- 性能远超当前SOTA，首个可解释RNA的AI植物基础模型来了，整合1124种植物RNA信息
- 量化617,462种人类微蛋白必需性，北大LLM蛋白质综合预测与分析，登Nature子刊
- 精确属性控制，湖大、西电从头药物设计AI方法，登Nature子刊
- 准确、快速地从头预测RNA 3D结构，港中大、复旦等深度学习方法RhoFold+登Nature子刊
- 准确率84.09%，腾讯AI Lab发布Interformer，用于蛋白质-配体对接及亲和力预测，登Nature子刊
- 压缩率达10的48次方，实现蛋白序列空间极端压缩，清华EvoAI登Nature子刊
- 高精度预测蛋白构象变化，中国科大、上科大通用深度学习模型
- 探索蛋白质动态变化，新AI方法JAMUN比标准MD模拟更快、更准确
- 无需预训练，亲和力与天然蛋白相当，中国科大的蛋白质从头设计方法登Nature子刊
- 计算效率领先10倍，中国科大、哈佛功能蛋白质设计深度生成模型登Nature子刊
- AlphaFold3级性能、开源、可商用，MIT团队推出生物分子预测模型Boltz-1
- 蛋白预测从数月缩短至数小时，MassiveFold出于AlphaFold而胜于AlphaFold3
- 生成超10万bp的DNA序列，北理工邵斌团队生成式DNA大语言模型，登Nature子刊
- 登Science封面！基因组基础模型Evo重磅发布，AI解码分子、DNA、RNA和蛋白质
- AI面临的五个蛋白质设计问题，Nature找了一群专家来讨论
- AlphaFold3开源了，诺奖AI工具人人可用，开启生物分子设计新时代
- ByteDance Research登Nature子刊：AI技术助力冷冻电镜揭示蛋白质动态
- 改进蛋白突变稳定性预测，清华龚海鹏团队AI蛋白工程模型登Nature子刊
- AI预测序列与催化性能的潜在关系，中国科学院、北师大设计合理酶变体，登Nature子刊
- 量子级精度，静态到动态，微软蛋白MD模拟系统登Nature
- 普林斯顿王梦迪团队提出蛋白水印方法，助力AI蛋白生成的版权保护与安全
- 精准预测RNA可变剪接，浙大多模态深度学习模型SpTransformer登Nature子刊
- 登Nature，AI设计DNA开关，MIT团队实现精确的细胞控制
- 准确、高效、物理有效，中科大、北大提出「两段式」分子对接统一框架DeltaDock
- 不懂AI、不会编码？如何轻松拿捏AlphaFold准确预测蛋白结构
- Nature 子刊，化学语言模型自动设计多靶点配体
- 从结构准确预测蛋白质功能，东北大学「CNN+GCN」统一框架，优于现有方法
- 准确预测蛋白质功能，中山大学基于几何图学习的酶工程新方法
- AI发现超16万种新RNA病毒？阿里云、中山大学合作研究登Cell
- 化学诺奖为何颁给「AI+生物」，凭什么Baker独占一半？
- AI再夺诺奖！2024诺贝尔化学奖授予蛋白质计算领域三位科学家
- 更简单、更清晰，解析核酸、蛋白、细胞等结构，AI实现快速分子模式挖掘
- Science 发文，高通量蛋白质组学和人工智能的革命
- 同时生成蛋白序列和结构，David Baker团队序列空间扩散新模型登Nature子刊
- Nature子刊，川大团队机器学习结合MD，预测蛋白质变构，助力药物研发
- 借助谷歌AI工具，科学家揭示「生物蛋白如何应对恶劣条件」
- 病毒从何而来？AlphaFold等AI正在寻找答案
- 新型蛋白质大语言模型即将登陆Google Cloud
- 加速蛋白质工程，微软开发蛋白突变效应预测AI框架µFormer
- 抗体亲和力增强17倍，百奥几何、复旦团队AI方法模拟细微蛋白质互作，登Nature子刊
- AI蛋白大模型推动生物产业变革，分子之心完成A轮融资
- 超越AlphaFold3，OpenAI投资的AI生物初创发布Chai-1，分子结构预测新SOTA
- DeepMind蛋白质设计新工具AlphaProteo，从头设计高亲和力蛋白结合剂，成功率最高88％
- 从头设计「超难」癌症抗体，大卫贝克团队AI生物计算方法的新应用
- 提速1400倍，准确标注酶活性位点，浙大、澳门理工多模态深度学习方法，登Nature子刊
- 准确预测蛋白质「运动」？AlphaFold融合物理知识，南京大学团队蛋白构象运动新策略
- 命中率达60%，AlphaFold预测受体的三维结构，加速药物开发
- 蛋白质功能预测新SOTA，上海理工、牛津等基于统计的AI方法，登Nature子刊
- 中科院计算所团队提出CarbonNovo，基于AI进行蛋白质结构和序列的端到端从头设计
- AI从头设计蛋白质「开关」，蛋白质设计的惊人突破，David Baker研究登Nature
- 预测蛋白质-DNA结合特异性，南加州大学团队开发几何深度学习新方法
- 从头设计抗体，腾讯、北大团队预训练大语言模型登Nature子刊
- SOTA性能，华盛顿大学开发Transformer模型将质谱转化为肽序列，登Nature子刊
- Nature子刊，北大团队通用AI框架对蛋白-蛋白对接进行综合结构预测，弥合实验与计算的差距
- Nature子刊，快10倍，基于Transformer的逆向蛋白质序列设计方法
- 生成394,760种蛋白质表征，哈佛团队开发AI模型，全面理解蛋白质上下文
- 万字长文，腾讯、清华等多位生物大模型作者专访，畅谈AI生物学，解析大型细胞模型技术
- Nature子刊，诺华团队评测ML模型在靶向蛋白质降解剂中的特性预测
- SOTA性能，厦大多模态蛋白质-配体亲和力预测AI方法，首次结合分子表面信息
- 登Science，药物亲和力增加37倍，AI对蛋白、抗体复合物进行无监督优化
- Nature子刊，使用3D transformer和HMM对冷冻电镜密度图进行从头原子蛋白结构建模
- 精度媲美AlphaFold，EPFL的AI方法从序列中匹配蛋白质互作
- AlphaFold 3 向解码分子行为和生物计算迈出重要一步，Nature 子刊锐评
- Nature子刊，优于AlphaFold，全原子采样，一种预测肽结构的AI方法
- 上交大洪亮课题组&上海AI实验室团队发布FSFP，基于语言模型的蛋白质功能小样本预测方法，登Nature子刊
- 仅几秒，准确推断蛋白动力学信息，山大、北理工等AI模型RMSF-net登Nature子刊
- 分子100%有效，从头设计配体，湖南大学提出基于片段的分子表征框架
- 登Nature子刊，拓扑Transformer模型进行多尺度蛋白质-配体互作预测，助力药物研发
- 人工智能如何彻底改变蛋白质科学，AlphaFold是起点，终点会在哪里？
- 清华AIR等提出ESM-AA，首个从氨基酸到原子尺度的蛋白质语言模型
- 准确率达0.96，从序列中预测蛋白-配体互作的物理化学约束图神经网络
- 高效且准确，郑州大学团队开发新AI工具识别药物-靶标相互作用
- 模拟5亿年的进化信息，首个同时推理蛋白质序列、结构和功能的生物学大模型
- 比传统方法高30倍，中国科学院团队Transformer深度学习模型预测糖-蛋白质作用位点
- 成功率超越RoseTTAFold系列，用序列信息直接预测蛋白质-配体复合物结构
- 「AI+物理先验知识」，浙大、中国科学院通用蛋白质-配体相互作用评分方法登Nature子刊
- 取代昂贵量子方法，南科大AI方法实现蛋白质-药物系统多尺度量子「精炼」
- 助力药物发现，北京蛋白质组学研究中心提出基于蛋白质序列的深度迁移学习框架
- 1.8B参数，阿里云首个联合DNA、RNA、蛋白质的生物大模型，涵盖16.9W物种
- SOTA性能，多尺度学习，中山大学提出蛋白质-药物相互作用AI框架
- 效果超AlphaFold系列，量子计算方法用于蛋白质结构预测
- 填补AlphaFold3空白，字节跳动提出物理引导的方法让蛋白质动起来
- 登Nature子刊，中科院计算所团队开发CarbonDesign，进行准确且稳健的蛋白质序列设计
- 结合量子特征、2万个分子动力学模拟，新蛋白-配体复合物ML数据集，登Nature子刊
- 准确预测药物-靶点相互作用，江南大学提出深度学习融合GNN新方法MINDG
- Nature回应：为什么在没有代码的情况下发布AlphaFold3？
- 多功能RNA分析，百度团队基于Transformer的RNA语言模型登Nature子刊
- AlphaFold 3轻松应对核酸、脂类分子？科学家迫不及待地更新了评测
- 预测配体-靶标对的结合亲和力，哈工大开发新SOTA药物表示模型
- AlphaFold 3 重磅问世，全面预测蛋白质与所有生命分子相互作用及结构，准确性远超以往水平
- 首次，西湖大学用蛋白质语言模型定向改造碱基编辑器，登Cell子刊
- 辉瑞 AI 方法登 Science，揭示数以万计的配体-蛋白质相互作用
- 4000万蛋白结构训练，西湖大学开发基于结构词表的蛋白质通用大模型，已开源
- 预测蛋白质共调控和功能，哈佛&MIT训练含19层transformer的基因组语言模型
- 登Science，药物亲和力＜5纳摩尔，加州大学开发特异性药物结合蛋白的从头计算方法
- 3倍灵敏度，搜索百万蛋白对只需几秒，复旦、山大、上海交大开发新的蛋白质语言模型
- 预测完整糖肽的片段光谱，浙大开发深度学习方法DeepGlyco
- 少量数据实现高通用性，KAIST开发药物设计3D分子生成新框架
- 优于SOTA，腾讯AI Lab开发双重扩散模型，实现靶标配体3D分子生成和先导化合物优化
- 精确预测相分离蛋白质，同济大学&中国科学院开发机器学习预测器PSPire
- 腾讯AI Lab 3篇蛋白质组论文入选国际顶级期刊，为阐释生命提供重要技术参考
- 里程碑时刻！David Baker 团队利用 AI 从头设计抗体
- 准确性比AlphaFold2高6倍，Basecamp推出AI模型BaseFold，蛋白结构预测新突破
- 预测所有生物分子，David Baker 团队蛋白质设计新工具 RoseTTAFold All-Atom 登 Science
- 用基于结构的突变偏好进行蛋白质设计，加州大学、MIT、哈佛医学院团队开发了一种无监督方法
- 计算蛋白质工程最新SOTA方法，牛津团队用密码子训练大语言模型
- 70 亿参数训练，从DNA、RNA、蛋白质到全基因组，生物学通用大模型新标杆
- AlphaFold 预测细菌生存所需的 1402 种蛋白互作，最完整的细菌必需相互作用图谱
- 进行药物靶标亲和力预测，浙大&华科大团队开发扩展图学习卷积网络方法
- 超越AF2？Iambic、英伟达、加州理工学院开发多尺度深度生成模型，进行状态特异性蛋白质-配体复合物结构预测
- Nat. Commun.|人类水平的准确性，哈佛医学院团队使用机器学习，从空间蛋白质组数据中快速、精确地识别细胞类型
- 科学家用分子动力学和AlphaFold，揭示了转运蛋白的未解结构
- 生成高质量、生物学上合理且多样化的蛋白质结构，微软和斯坦福提出基于扩散的生成模型
- 预测蛋白质动态对接？上海交大&星药科技&中山大学等团队开发新的深度等变生成模型
- David Baker在Science发文：AI驱动的蛋白质设计应当符合生物安全
- 未来五年AI如何改变各学科？从LLM到AI蛋白设计、医疗保健……
- 药物-靶标亲和力预测，上科大团队开发了一种Transformer编码器和指纹图谱相结合的方法
- 如何利用革命性的蛋白质结构工具来发现药物？AlphaFold 发现了数千种可能的致幻剂
- 国家蛋白质科学中心&北工大团队开发了一种深度学习工具，用于大型队列 LC-MS 数据分析
- 灵敏度超40%、精度达90%的从头肽测序，一种深度学习驱动的串联质谱分析方法
- 降低预测误差，中国科学院团队开发用于预测酶动力学参数的统一框架
- 上海交大&中山大学团队使用ESMFold、预训练语言模型以及Graph Transformer，进行蛋白质结合位点预测