结构 - AI在线

逆向设计电路，深度学习开辟全新的自动综合道路

编辑丨&在过去的二十年里，射频、毫米波和亚太赫兹集成电路和系统取得了巨大进步，展示了复杂的相控阵和多输入、多输出（MIMO）阵列与芯片级系统。全新智慧功能的设计与达成离不开芯片的设计，这其中又包含一系列复杂的设计流程。这些流程构成了构成了集成有源电路元件和无源电磁（EM）结构的协同设计和优化。

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

编辑 | KXRNA 分子在分子生物学中心法则中起关键作用，RNA 结构如何影响基因调控和功能一直是研究的热门话题。准确预测 RNA 三维 (3D) 结构仍是一个难题。 RNA 的结构灵活性导致实验确定的数据稀缺，从而使计算预测工作变得复杂。

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」！

OpenAI GPT-4 AI 模型潜力挖掘：高精度建模基础蛋白质结构

科技媒体 The Decoder 昨日（8 月 21 日）发布博文，报道称罗格斯大学的一项研究表明，OpenAI 公司的 GPT-4 语言模型能高精度模拟简单的氨基酸和蛋白质结构。相关研究成果发表在《Scientific Reports》上，该科研团队使用 GPT-4 AI 语言模型，探索其在基本结构生物学任务中的表现，结果发现该 AI 模型可以准确预测分子结构。科学家们要求 GPT-4 建立 20 种标准氨基酸的三维结构模型，在反馈结果中准确地预测了原子组成、键长和角度，不过 GPT-4 在模拟环状结构和立体化学

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

编辑 | 萝卜皮蛋白质复合物结构预测在药物研发、抗体设计等应用中发挥着重要作用，然而由于预测精度有限，预测结果与实验结果经常出现不一致。北京大学、昌平实验室以及哈佛大学的研究团队提出了 ColabDock，这是一个通用框架，它采用深度学习结构预测模型来整合不同形式和来源的实验约束，而无需进一步进行大规模的再训练或微调。ColabDock 的表现优于使用 AlphaFold2 作为结构预测模型的 HADDOCK 和 ClusPro，不止在具有模拟残基和表面限制的复杂结构预测中，在借助核磁共振化学位移扰动以及共价标记进

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

编辑 | 萝卜皮蛋白质-配体对接是药物发现和开发中一种成熟的工具，用于缩小实验测试的潜在治疗范围。然而，高质量的蛋白质结构是必需的，而且蛋白质通常被视为完全或部分刚性的。在这里，柏林自由大学（Freie Universität Berlin）的研究人员开发了一个人工智能系统，可以直接从序列信息预测蛋白质-配体复合物的完全柔性全原子结构。虽然经典对接方法仍然更胜一筹，但这也取决于目标蛋白质的晶体结构。除了预测灵活的全原子结构外，预测置信度指标 (plDDT) 还可用于选择准确的预测，以及区分强结合剂和弱结合剂。该研究

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

编辑 | 枯叶蝶大型语言模型极大地增强了科学家理解生物学和化学的能力，但基于结构的药物发现、量子化学和结构生物学的可靠方法仍然很少。大型语言模型迫切需要精确的生物分子-配体相互作用数据集。为了解决这个问题，德国亥姆霍兹慕尼黑研究中心结构生物学所和慕尼黑工业大学的研究人员，提出了 MISATO。这是一个数据集，它结合了小分子的量子力学（QM）特性，还有约 20,000 个实验蛋白质-配体复合物的相关分子动力学（MD）模拟，以及对实验数据的广泛验证。从现有的实验结构出发，研究人员利用半经验量子力学系统地完善了这些结构。

效率高、成本低，从单一结构到平衡分布，微软AI分子预测框架登Nature子刊

编辑 | 紫罗近年来，深度学习技术在分子微观结构预测中取得了巨大的进展。然而，分子的宏观属性和功能往往取决于分子结构在平衡态下的分布，仅了解分子的微观结构还远远不够。获得这些分布的传统方法，如分子动力学模拟，但这些方法昂贵又耗时。在此，来自微软研究院科学智能中心（Microsoft Research AI4Science）的研究人员，提出了一种可用于预测分子结构平衡分布的深度学习框架，称为分布式图分析器（Distributional Graphormer，DiG）。DiG 框架能够有效生成不同的构象，并提供状态密度

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

编辑 | ScienceAI在蛋白领域，华盛顿大学 David Baker 团队又带来了新进展。蛋白质是生命存在不可或缺的分子，但它们不是细胞中唯一的分子，参与生命过程它们必须与其他分子相互协作。近年来，AlphaFold 和 RoseTTAFold 等蛋白质结构预测算法，席卷了结构生物学领域。深度学习方法彻底改变了蛋白质结构预测和设计方式，但目前仅限于纯蛋白质系统。问题是，这些模型忽略了许多影响蛋白质结构的化学类型。「例如，许多生物学涉及蛋白质与小分子相互作用。」华盛顿大学教授 David Baker 说。「这是

生成模型揭示材料无序的秘密，改善功能材料设计

编辑 | 绿萝压电材料可以因机械变形产生电场，也可以因电场作用产生机械变形，这种固有的机-电耦合效应使得压电材料在工程中得到了广泛的应用。在材料科学领域，了解复杂材料中的不同结构紊乱是否具有有价值的功能，其中一个关键挑战是识别特定样品中的紊乱类型。新加坡国立大学的一个研究小组通过将压电材料畴界（domain boundary）中的各种结构紊乱压缩为一小组简单的多尺度概率规则来解决这一挑战。根据这些规则，他们创建了一个生成式机器学习模型，该模型的长度尺度跨越了三个数量级，从而可以研究超出实际测量限制的材料的统计特性。

Protein BLAST会成为过去吗？AlphaFold等对蛋白结构的搜索是否会取代对序列的搜索

编辑 | 白菜叶像 AlphaFold 这样的蛋白质结构搜索工具会用 BLAST 取代蛋白质序列搜索吗？德累斯顿工业大学的研究团队讨论了使用结构搜索进行远程同源性检测的前景，以及为什么蛋白质 BLAST 作为领先的序列搜索工具应努力纳入结构信息。BLAST 广泛用于分子生物学中搜索核苷酸和蛋白质序列。BLAST 推出三十年后，结构预测出现了重大突破，出现了 RoseTTAFold 和 AlphaFold 等工具。因此，主要序列数据库中的每个蛋白质序列现在都带有一个 3D 折叠模型。虽然这不会影响（非编码）核苷酸序列

多伦多大学团队使用AlphaFold获得对蛋白质结构的新见解

编辑 | 萝卜皮AlphaFold 蛋白质结构数据库包含数百万种蛋白质的预测结构。对于大多数含有本质无序区域 (IDR) 的人类蛋白质，这些区域不采用稳定的结构，通常认为这些区域具有较低的 AlphaFold2 置信度分数，反映了低置信度的结构预测。多伦多大学（University of Toronto）的研究团队表明 AlphaFold2 为近 15% 的人类 IDR 分配了可信结构。通过与已知条件折叠（即在结合或其他特定条件下）的 IDR 子集的实验 NMR 数据进行比较，研究人员发现 AlphaFold2 通

更高准确性，覆盖蛋白、核酸、复合物等更多分子，DeepMind发布AlphaFold新版本

编辑 | ScienceAI自 2020 年发布以来，AlphaFold 彻底改变了人们对蛋白质及其相互作用的理解方式。Google DeepMind 和 Isomorphic Labs 一直在共同努力，为更强大的 AI 模型奠定基础，将覆盖范围从蛋白质扩展到全方位的生物相关分子。2023 年 10 月 31 日，该研究团队分享了下一代 AlphaFold 的最新进展。其最新的模型现在可以对蛋白质数据库 (PDB) 中的几乎所有分子进行预测，通常达到原子精度。新版模型 AlphaFold-latest （暂称）极大

全球首创：分子之心开源新AI算法，攻克蛋白质侧链预测与序列设计难题

PSCP 深度架构 AttnPacker——大幅优化的AI算法。

分子之心创始人许锦波：AI 蛋白质设计最新进展

编辑 | 绿萝1 月 11 日，在机器之心 AI 科技年会上，分子之心创始人、美国芝加哥丰田计算技术研究所终身教授、清华大学智能产业研究院（AIR）卓越访问教授许锦波发表主题演讲《AI 蛋白质设计最新进展》，在演讲中，他介绍了蛋白质结构预测与蛋白质设计，他表示 AI 蛋白质结构预测只是一个开始，分享了分子之心开发的 AI 蛋白优化和设计平台——MoleculeOS，以及在蛋白质侧链、抗体抗原复合物结构预测的最新研究成果。「人工智能颠覆了蛋白质结构预测，并正在改变蛋白质优化设计。」以下为许锦波在机器之心 AI 科技年

AI+Science技术实践与产业应用中的挑战与机遇

「机器之心2021-2022年度AI趋势大咖说」聚焦「驱动未来的AI技术」与「重塑产业的AI科技」，推出线上分享，共邀请近40位AI领域知名学者、产业专家及企业高管通过主题分享及多人圆桌等形式，与行业精英、读者、观众共同回顾 2021年中的重要技术和学术热点，盘点AI产业的年度研究方向以及重大科技突破，展望2022年度AI技术发展方向、AI技术与产业科技融合趋势。

开源！港中文、MIT、复旦提出首个RNA基石模型

本文中 RNA-FM 模型的出现一定程度上缓解了 RNA 带标注数据紧张的现状，为其他研究者提供了访问大批量无标签数据的便捷接口。并且，该模型将以 RNA 领域基础模型的身份，为该领域的各种各样的研究提供强有力的支援与帮助。

图神经网络准确预测无机化合物性质，加速固态电池的设计

编辑/绿萝大规模从头计算与结构预测的进步相结合，在无机功能材料的发现中发挥了重要作用。目前，在无机材料的广阔化学空间中，只发现了一小部分。实验和计算研究人员都需要加速探索未知的化学空间。来自美国国家可再生能源实验室（NREL）、科罗拉多矿业学院和伊利诺伊大学的研究人员展示了一种可以准确预测无机化合物性质的机器学习方法。展示了基态（GS）和更高能量结构的平衡训练数据集，对使用通用图神经网络（GNN）架构准确预测总能量的重要性。该研究可加速固态电池的设计。该研究以「Predicting energy and stabi

结构