該方法可用于任何蛋白質預測模型

原標題：LeCun轉發，UC伯克利等提出多模態蛋白質生成方法PLAID，同時生成序列和全原子蛋白結構
文章來源：HyperAI超神經
內容字數：8320字

加州大學伯克利分校等機構提出新型多模態蛋白質生成方法PLAID

本文介紹了加州大學伯克利分校、微軟研究院等機構提出的一種新型多模態蛋白質生成方法PLAID (Protein Latent Induced Diffusion)，該方法能夠從序列等豐富數據模態生成稀缺的模態，例如晶體結構，從而實現對蛋白質全原子結構的生成。這項研究成果已提交至ICLR 2025，并獲得了“AI教父”楊立昆的轉發。

1. 研究背景與挑戰

   蛋白質的功能由其結構決定，包括原子身份、位置和生物物理性質等。全原子結構生成需要同時生成序列和結構，但現有方法通常將兩者視為模態，存在諸多局限性，例如僅生成主鏈原子，或需在結構預測和反折疊步驟之間交替進行。

2. PLAID方法概述

   PLAID 是一種基于擴散模型的多模態蛋白質生成方法。它利用預訓練的蛋白質語言模型ESMFold的潛在空間，通過擴散過程學習序列和結構的聯合嵌入，最終實現從序列信息生成全原子結構。該方法在訓練過程中僅需要序列輸入，并利用了預訓練權重中編碼的結構信息。

   PLAID方法主要包含四個步驟：1. ESMFold潛在空間表示；2. 潛在擴散訓練；3. 推理階段的序列和結構生成；4. 基于擴散變換器(DiT)的模型架構，融合條件信息進行可控生成。

3. 實驗結果與分析

   研究人員使用Pfam數據庫進行實驗，結果表明PLAID生成的蛋白質結構具有較高的質量和一致性，并且在不同蛋白質長度上保持穩定。與其他基準方法相比，PLAID在結構質量、多樣性、新穎性和跨模態一致性方面均表現出色。其生成的二級結構多樣性也更接近天然蛋白質的分布。

4. Diffusion Transformer(DiT)的應用

   PLAID采用Diffusion Transformer(DiT)執行去噪任務，利用其全局自注意力機制有效建模序列和結構的復雜交互關系。DiT在圖像和視頻生成領域已取得顯著進展，在生物醫藥領域應用也日益廣泛，能夠提高蛋白質結構預測的效率和精度。

5. 未來展望與相關研究

   PLAID的成功為蛋白質定制化設計提供了新的可能性，推動了人工智能在蛋白質研究領域的應用。文章還簡要介紹了其他相關的研究進展，例如MProt-DPO和PocketGen，這些研究都為蛋白質設計和工程提供了新的工具和方法。

總而言之，PLAID方法為蛋白質結構生成提供了一種高效、準確且可控的新途徑，有望推動蛋白質設計和藥物研發等領域的進步。

聯系作者

文章來源：HyperAI超神經
作者微信：
作者簡介：解構技術先進性與普適性，報道更前沿的 AIforScience 案例