蛋白质
AlphaFold3级性能、开源、可商用，MIT团队推出生物分子预测模型Boltz-1
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。
AI面临的五个蛋白质设计问题，Nature找了一群专家来讨论
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。
AlphaFold3开源了，诺奖AI工具人人可用，开启生物分子设计新时代
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。
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
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训练。
量子级精度，静态到动态，微软蛋白MD模拟系统登Nature
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。
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
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。
Nature子刊，北大陈语谦团队提出多模态单细胞数据整合和插补的深度学习方法
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：。
诺奖 AI“AlphaFold”破解受精之谜：揭秘精卵相遇生命“火花”点燃瞬间
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。
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
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。
化学诺奖为何颁给「AI+生物」，凭什么Baker独占一半？
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」！
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
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、需要大量且耗时的手动标记或仅限于检测特定类型的蛋白质的问题。杜克大学（Duke University）的研究人员提出了 MiLoPYP
Science 发文，高通量蛋白质组学和人工智能的革命
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、健康和生活方式信息）相结合时，我们就会对疾病的根源、衰老过程以及预测个人健康轨迹的潜在能力产生新的见解。十多年来，科学家已
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
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性为指导。研究设计了具有不同氨基酸组成和内部序列重复的耐热蛋白质和笼状生物活性肽，例如蜂毒肽。PG 设计轨迹可以由实验序
病毒从何而来？AlphaFold等AI正在寻找答案
图示：登革热病毒蛋白的结构。（来源：Spyros Lytras 和 Joe Grove）编译 | 白菜叶人工智能 (AI) 正在帮助重新绘制病毒家族树。AlphaFold 生成的预测蛋白质结构和受聊天机器人启发的「蛋白质语言模型」揭示了病毒家族中的一些令人惊讶的联系，其中包括感染人类的病原体以及新出现的威胁。科学家对病毒进化的理解大多基于基因组比较。但病毒（尤其是那些基因组以 RNA 编写的病毒）的闪电般快速进化以及它们从其他生物体获取遗传物质的倾向意味着基因序列可以隐藏病毒之间深远的关系，而这种关系也可能因所检查
加速蛋白质工程，微软开发蛋白突变效应预测AI框架µFormer
编辑 | KX蛋白质工程是合成生物学领域的重要研究方向之一。近年来，AI 辅助的蛋白质工程逐渐发展成为一种高效的蛋白质分子设计新策略。近日，微软研究院科学智能中心的研究人员提出了深度学习框架 µFormer，其将预训练的蛋白质语言模型与定制设计的评分模块相结合，从而预测蛋白质的突变效应。µFormer 在预测高阶突变体、建模上位（epistatic）相互作用和处理插入方面，实现了最先进的性能。通过将 µFormer 与强化学习框架相结合，可以高效探索广阔的突变空间，涵盖数万亿个突变候选物，来设计活性增强的蛋白质变体
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
编辑 | 萝卜皮提高抗体与其靶抗原的结合亲和力是抗体疗法开发中的关键任务。复旦大学与百奥几何（BioGeometry）团队联合推出了一种可预训练的几何图神经网络 GearBind，展示了其在抗体亲和力成熟中的潜力。通过多关系图构建、几何消息传递和大规模未标记蛋白质数据的预训练，GearBind 在多个测试集上的表现优于现有方法。研究人员基于 GearBind 推导出一个强大的集成模型，成功用于增强两种不同抗体的结合能力，实验数据显示设计的抗体突变体显著提升了性能。该研究以「Pretrainable geometri
AI蛋白大模型推动生物产业变革，分子之心完成A轮融资
编辑 | ScienceAI在生物经济智能化升级的浪潮中，业界领先的AI蛋白质设计平台公司分子之心宣布于近期完成 A 轮融资。本轮融资额达数亿元人民币，由谢诺投资、深创投联合领投，商汤国香资本、久奕投资跟投。作为具有行业标杆地位的 AI 生物大分子设计平台公司，分子之心本轮融资将进一步提速 AI 生物基础设施建设。分子之心创始人、国际知名计算生物学家许锦波表示，本轮融资将用于进一步扩大顶级复合型人才团队，深入完善AI蛋白质基础大模型、AI 蛋白质优化设计平台 MoleculeOS 等生物经济共性技术平台，加速AI蛋
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％
编辑 | ScienceAI像 AlphaFold 这样的蛋白质结构预测工具，已经帮助我们深入了解了蛋白质如何相互作用从而发挥其功能，但这些工具无法创建新的蛋白质来直接控制这些相互作用。现在，Google DeepMind 团队推出了一种用于设计「与目标分子结合更紧密」的新型蛋白质的 AI 系统 AlphaProteo。在测试的 7 种靶蛋白上，AlphaProteo 的实验成功率更高，在湿实验室中测试中，9% 到 88% 候选分子成功结合，这比其他方法高出 5 到 100 倍。而且，比现有最佳方法的结合亲和力高出