蛋白质

编辑丨toileter当人类前行至远方，我们以自己的脚步衡量出道路，以道路为丝线绘制出这片大地的地图。 而现在，我们将目光望进自己的体内，意图探索生物系统的交错复杂。 与此，空间蛋白质组学为我们带来了更清晰的笔迹，使得人类在对抗疾病的道路上得以踏上更便捷的道路。

编辑丨ScineceAI该论文介绍 MATES：一种基于深度学习的单细胞水平转座子定量工具。 MATES 使用基于自编码器的模型，通过分析转座子区域周围独特比对读段的分布，概率性地将多重比对转座子读段分配到特定位点。 通过深度神经网络，MATES 学习独特读段分布与多重比对读段来自特定位点的可能性之间的关系。

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 | 萝卜皮准确预测蛋白质-配体相互作用对于理解细胞过程至关重要，目前仍面临着诸多挑战。 中国科学院、浙江大学的研究人员提出了 SurfDock，这是一种深度学习方法，通过将蛋白质序列、三维结构图和表面级特征整合到等变架构中来解决这一挑战。 SurfDock 在非欧几里德流形上采用生成扩散模型，优化分子平移、旋转和扭转以生成可靠的结合姿势。

编辑 | 萝卜皮人类必需蛋白（HEP）对于个体的生存和发育必不可少。 然而，鉴定 HEP 的实验方法通常成本高昂、耗时费力。 此外，现有的计算方法仅在细胞系水平上预测 HEP，但 HEP 在活体人类、细胞系和动物模型中有所不同。

编辑 | 萝卜皮近年来，深度学习模型在蛋白质-配体对接和亲和力预测中的应用引起了越来越多的关注，而这两者都对基于结构的药物设计至关重要。 然而，许多此类模型忽略了复合物中配体和蛋白质原子之间相互作用的复杂建模，从而限制了它们的泛化和可解释性。 在最新的研究中，腾讯 AI Lab 的研究人员提出了 Interformer，这是一个基于 Graph-Transformer 架构的统一模型。

编辑 | 萝卜皮设计功能更佳的蛋白质需要深入了解序列和功能之间的关系，这是一个难以探索的广阔空间。 通过识别功能上重要的特征来有效压缩这一空间的能力极其宝贵。 清华大学的研究团队建立了一种称为 EvoScan 的方法，用于全面分割和扫描高适应度序列空间，以获得能够捕捉其基本特征（尤其是在高维度中）的锚点。

编辑 | KX预测蛋白质构象变化是计算生物学和人工智能领域的一大挑战。 主流的 AlphaFold 等算法可以高通量预测蛋白质的静态结构，但对蛋白质构象变化预测却束手无策。 为了解决这个问题，中国科学技术大学和上海科技大学的研究人员，提出了一种新颖的深度学习策略，即利用高通量生物物理采样来规避与蛋白质构象转变相关的数据匮乏。

编辑 | 白菜叶蛋白质结构的动态变化对于理解其功能和开发靶向药物治疗至关重要，尤其是对于隐蔽的结合位点。 然而，现有的生成构象集合的方法存在效率低下或缺乏通用性的问题，无法在训练系统之外发挥作用。 分子动力学 (MD) 模拟是当前探索蛋白质运动的标准，但计算成本高昂，且受短时间步长要求的限制，因此难以捕捉较长时间尺度上发生的更广泛蛋白质构象变化。

编辑 | 白菜叶在过去的 2-3 年里，去噪扩散概率模型 (DDPM) 在生成高质量文本、图像和视频方面取得了前所未有的成功。 这激发了人们对在蛋白质结构的从头设计中使用生成式 DDPM 的热情。 然而，大多数此类研究都遇到了相当大的困难，无法获得可以轻松生成可通过高分辨率结构分析验证的无缺陷蛋白质结构的 DDPM。

编辑 | ScienceAI蛋白质作为生命活动的物质基础，就像一块块精巧的「乐高积木」，支撑着生物体内几乎所有的化学反应和生命过程。 从肌肉的收缩到大脑的思维，从病毒的侵染到免疫系统的防护，几乎都依赖这些功能多样的分子。 然而，自然界中的天然蛋白质并不能完全满足人类日益多样化的需求，因此科学家们致力于通过设计与定制蛋白质，赋予其更多复杂的功能。

图示：来自测试集的靶标上的 Boltz-1 的示例预测。 （来源：论文）编辑 | 萝卜皮2024 年 11 月 18 日，麻省理工学院（MIT）的研究人员宣布推出 Boltz-1，这是一个开源模型，旨在准确模拟复杂的生物分子相互作用。 Boltz-1 是第一个完全商业化的开源模型，在预测生物分子复合物的 3D 结构方面达到 AlphaFold3 级精度。

编辑 | 白菜叶Alena Khmelinskaia 希望设计定制蛋白质就像订餐一样简单。 她说，想象一下一台「自动售货机」，任何研究人员都可以使用它来指定他们想要的蛋白质的功能、大小、位置、分子伴侣或者其他特征。 「理想情况下，你会得到一个可以同时完成所有这些事情的完美设计。

编辑 | ScienceAIAlphaFold3 终于开源了。 六个月前 AlphaFold3 发布的时候，谷歌 DeepMind 没有公布其论文代码，因此引发了学界的巨大争议。 如今，DeepMind 于 11 月 11 日宣布，科学家现在可以免费下载软件代码，并将 AlphaFold3 用于非商业应用。

编辑 | KX准确预测蛋白质突变效应在蛋白质工程和设计中至关重要。 近日，清华大学龚海鹏团队提出了一套基于几何学习的模型套件——GeoStab-suite，其中包含 GeoFitness、GeoDDG 和 GeoDTm 三个模型，分别用于预测蛋白质突变后的适应度得分、ΔΔG 和 ΔTm。 GeoFitness 采用专门的损失函数，允许使用深度突变扫描数据库中的大量多标记适应度数据对统一模型进行监督…

编辑 | KX生物世界的本质在于分子及其相互作用的不断变化。 了解生物分子的动力学和相互作用对于破译生物过程背后的机制，以及开发生物材料和药物至关重要。 正如诺贝尔物理学奖得主理查德·费曼（Richard Feynman）的名言：「所有生物体的行为都可以通过原子的颤动和摆动来理解。

编辑 | 萝卜皮近年来，随着生成式人工智能的发展，蛋白质结构预测和设计的能力显著提高。 然而，蛋白质生成模型在版权保护和生成有害内容（例如生物安全）方面面临着诸多问题。 生物大模型的构建和训练十分昂贵，有着保护模型版权和生成结果的现实需要；同时，需要有技术可靠地追踪和验证生成蛋白质结构，消除潜在的生物安全隐患。

编辑 | ScienceAI今天为大家介绍的是来自北京大学信息工程学院、化学生物学与生物技术学院省部共建肿瘤化学基因组学国家重点实验室、鹏城国家实验室合聘研究员和 AI4S 平台中心主任陈语谦教授团队发表在《Nature Communications》的论文。该团队开发了一种新型的多模态整合方法，能够实现多模态单细胞数据的整合与插补，这一成果可以促进多模态单细胞数据的分析。文章链接：。

精子和卵子结合第一瞬间，会发生什么？AlphaFold 竟揭晓了答案。它成功预测出，三种精子蛋白质相互作用的复合物，成为生命孕育的关键所在。

编辑 | KX蛋白质在生物体内扮演着不可或缺的角色，准确预测其功能对于实际应用至关重要。尽管高通量技术促进了蛋白质序列数据的激增，但揭示蛋白质的确切功能仍然需要大量时间和资源。目前，许多方法都依赖于蛋白质序列进行预测，而针对蛋白质结构的方法很少。

编辑 | X_X今年的诺贝尔化学奖授予了在蛋白质设计和结构预测领域从事研究工作的三位科学家。该奖项的一半颁发给了美国西雅图华盛顿大学的 David Baker，另一半颁发给了来自英国 Google DeepMind 的 Demis Hassabis 和 John Jumper。诺贝尔化学奖委员会主席 Heiner Linke 指出，今年的诺贝尔化学奖如同「双花并蒂」！

编辑 | 白菜叶低温电子断层扫描技术可以以纳米级分辨率对细胞三维结构进行常规可视化。当与单粒子断层扫描技术相结合时，可以获得原生环境中常见大分子的近原子分辨率结构。低温电子断层扫描/单粒子断层扫描（CET/SPT）面临的两个突出挑战是蛋白质的自动识别和定位，这两项任务受到细胞内分子拥挤、低温电子断层扫描断层图像特有的成像失真以及断层扫描数据集的庞大规模的阻碍。目前的方法存在准确度低、需要大量且耗时…

编译 | 紫罗最近，研究人员能够从少量血液样本中测量数千种血浆蛋白，这为广泛的数据提供了新的维度，可以增进我们对人类健康的了解。例如，SomaLogic 公司已经开发出测量 10,000 多种蛋白质的方法，而赛默飞世尔的 Olink 检测方法可以从少至 2 μl 的样本中检测 5400 多种蛋白质。当这些丰富的数据与来自大型患者群体的其他信息层（例如英国生物库从 50 万名参与者那里获得的基因、健…

编辑 | KX蛋白质去噪扩散概率模型用于从头生成蛋白质骨架，但其在引导生成具有序列特异性属性和功能特性的蛋白质方面存在局限。为了克服这一限制，华盛顿大学 David Baker 团队，开发了一种基于 RoseTTAFold 的序列空间扩散模型 ProteinGenerator (PG)，可同时生成蛋白质序列和结构。从噪声序列表示开始，PG 通过迭代去噪生成序列和结构对，并以所需的序列和结构蛋白质属…