AlphaFolding填補蛋白質動態結構預測空白！復旦大學等提出4D擴散模型，成果入選AAAI 2025

將 AlphaFold2 的方法擴展至時間維度

原標題：AlphaFolding填補蛋白質動態結構預測空白！復旦大學等提出4D擴散模型，成果入選AAAI 2025
文章來源：HyperAI超神經
內容字數：8936字

復旦大學等團隊提出創新4D擴散模型，精準預測蛋白質動態結構

本文介紹了復旦大學、上海科學智能研究院和學的研究團隊提出的創新性4D擴散模型AlphaFolding，該模型結合分子動力學模擬數據，能夠同時預測多個時間步長的蛋白質軌跡，為蛋白質動態結構預測領域帶來了突破性進展。

1. 蛋白質動態結構研究的重要性

傳統的“鎖鑰模型”認為蛋白質結構是靜態的，但實際上蛋白質的動態特性對其功能至關重要。分子動力學模擬的興起揭示了蛋白質的軌跡，理解蛋白質的動態特征對理解生命過程和研發新型藥物具有重要意義。例如，許多藥物靶點GPCR具有高度動態性，靜態結構預測可能錯過關鍵結合位點，而動態結構預測可以優化藥物設計，提高療效。

2. AlphaFolding模型的創新之處

AlphaFolding模型是首個基于擴散模型的方法，能夠同時預測多個時間步長的蛋白質軌跡。它利用高質量的分子動力學模擬數據，生成包含完整側鏈表示的動態蛋白質結構，適用于數百個氨基酸組成的復雜蛋白質。該模型采用AlphaFold2的基于坐標框架的蛋白質結構表示方法，并將其擴展至時間維度，通過特殊歐幾里得變換保持結構完整性。

3. 模型構建與實驗結果

該模型將參考結構和殘基序列作為輸入，生成一系列去噪后的3D蛋白質結構作為輸出。它結合了3D結構嵌入器、GeoFormer、不變點注意力機制、參考網絡和對齊模塊等技術。在ATLAS和快速折疊蛋白數據集上的實驗結果表明，AlphaFolding模型在預測包含最多256個氨基酸、跨度達32個時間步長的動態3D結構方面表現出高精度，能夠有效捕捉穩定狀態下的局部柔性以及顯著的構象變化。與現有方法相比，該模型顯著降低了預測誤差，展現了優秀的泛化能力。

4. 與現有研究的對比

雖然AlphaFold2等模型在靜態蛋白質結構預測方面取得了巨大成功，但對動態結構的預測能力有限。本研究提出的4D擴散模型正是為了彌補這一空白，重點關注蛋白質結構的動態特性。與其他一些嘗試解析蛋白質動態構象的AI模型（例如Pro、DynamicBind）相比，AlphaFolding在預測多個時間步長上的精度更高，適用范圍更廣。

5. 未來展望

蛋白質動態結構預測是結構生物學和計算生物學的前沿挑戰，AlphaFolding模型的提出為該領域帶來了新的突破。它不僅能夠幫助理解生命過程，還能在藥物開發、疾病機理研究和工業生物技術等領域發揮重要作用，推動生命科學的前沿發展。未來，該模型有望進一步改進，應用于更復雜的蛋白質系統和更廣泛的生物學問題。