微软研究院于 2 月 20 日发布博文，宣布推出 AI 模型 BioEmu-1，能够预测蛋白质随时间推移的运动和形状变化，在生物医学、药物发现和结构生物学领域带来新可能。
借助 AI 探究蛋白质
从形成肌肉纤维到保护我们免受疾病侵害，在几乎所有生物过程中，蛋白质都发挥着至关重要的作用。
科学家近年来利用深度学习，在研究蛋白质结构方面已取得重大进展，能够根据氨基酸序列准确预测蛋白质结构。然而，仅从氨基酸序列预测单一蛋白质结构就像观看电影的单帧画面，只提供了一个高度灵活分子的截图。
微软 BioEmu-1
不同于 DeepMind 的 AlphaFold 专注于确定静态蛋白质结构，BioEmu-1 模拟蛋白质在不同构象之间的动态转换，为理解蛋白质运动、设计有效治疗方案提供了新的工具。
AlphaFold 3 在结构生物学领域取得了重大进展，改进了蛋白质与 DNA、RNA 和小分子的相互作用模型，但它无法预测蛋白质随时间的变化。
BioEmu-1 弥补了这一不足，它可以生成多个可能的构象，而不仅仅是单一的最佳拟合结构，这在药物开发中尤为重要。
BioEmu-1 利用生成式深度学习，从大型数据集中学习模式，然后生成与这些模式一致的新样本，通过结合静态蛋白质结构、分子动力学模拟数据和实验稳定性数据进行训练。
BioEmu-1 的核心机制是一个扩散模型，它迭代地生成蛋白质结构并根据学习到的约束条件提高其准确性。BioEmu-1 的关键输出是平衡系综的预测和自由能预测。
BioEmu-1 使用三种类型的数据集进行训练：（1）AlphaFold 数据库 (AFDB) 结构；（2）广泛的 MD 模拟数据集；（3）实验性蛋白质折叠稳定性数据集。
通过这些数据集的训练，BioEmu-1 可以识别蛋白质序列映射到多个不同结构，预测合理的结构变化，并学习以正确的概率对折叠和未折叠结构进行采样。
BioEmu-1 每小时可生成数千个蛋白质结构样本，相比需要数周时间的传统分子动力学模拟，显著加快了研究速度并降低了计算成本，其预测自由能的误差幅度在 1 kcal / mol 以内，与传统分子动力学模拟相当，但计算成本却显著降低。
AI在线附上参考地址
Exploring the structural changes driving protein function with BioEmu-1
Microsoft’s New BioEmu-1 AI Model Can Predict How Proteins Move and Change
Scalable emulation of protein equilibrium ensembles with generative deep learning
