探索蛋白质的奥秘：微软BioEmu-1 AI模型引领生物医学新篇章
3月1日，大浪资讯报道：微软研究院在2月20日发布了一篇引人注目的博文，宣布其最新AI模型——BioEmu-1的问世。这一模型能够预测蛋白质随时间推移的运动和形状变化，为生物医学、药物发现和结构生物学领域带来了前所未有的可能性。
AI助力蛋白质研究
蛋白质，作为生命体中不可或缺的分子，参与着从构建肌肉纤维到抵御疾病侵袭的几乎所有生物过程。近年来，科学家们通过深度学习在蛋白质结构研究上取得了显著成就，能够根据氨基酸序列精确预测蛋白质的结构。然而，仅仅依靠氨基酸序列预测单一蛋白质结构，就好比只看到了电影的单帧画面，只能捕捉到这一高度灵活分子的一个瞬间。
微软BioEmu-1：动态蛋白质探索者
与DeepMind的AlphaFold专注于确定静态蛋白质结构不同，BioEmu-1则模拟蛋白质在不同构象之间的动态转换，为研究蛋白质的运动和设计有效的治疗方案提供了全新的工具。AlphaFold 3虽然在结构生物学领域取得了重大进展，但无法预测蛋白质随时间的变化。而BioEmu-1则弥补了这一缺陷，能够生成多个可能的构象，这对于药物开发尤为重要。
深度学习与生成式模型
BioEmu-1利用生成式深度学习，从大型数据集中学习模式，并生成与这些模式一致的新样本。它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，其核心机制是一个扩散模型，该模型通过迭代生成蛋白质结构，并根据学习到的约束条件提高其准确性。
多样化的数据集与高效预测
BioEmu-1的训练使用了三种类型的数据集：（1）AlphaFold数据库（AFDB）的结构；（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能够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。
高效与准确的预测
BioEmu-1每小时可以生成数千个蛋白质结构样本，相比传统分子动力学模拟所需的数周时间，大大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。
结语
BioEmu-1的问世，无疑为蛋白质研究开辟了新的道路，为生物医学和药物发现带来了新的希望。这一创新技术的应用，有望加速新药研发进程，为人类健康事业作出更大贡献。
参考资料：