企业官网建设流程全解析

BioEmu vs 传统分子动力学：为什么生成式AI是蛋白质模拟的未来？

【免费下载链接】bioemuInference code for scalable emulation of protein equilibrium ensembles with generative deep learning项目地址: https://gitcode.com/gh_mirrors/bi/bioemu

BioEmu是一种基于生成式深度学习的蛋白质平衡结构集合预测模型，它能够以比传统分子动力学模拟快几个数量级的速度模拟蛋白质结构集合。通过利用新颖的训练方法和海量的蛋白质结构数据、超过200毫秒的分子动力学模拟数据以及实验蛋白质稳定性数据，BioEmu的蛋白质结构集合在一系列具有挑战性和实际相关性的指标上都能很好地代表平衡状态。

传统分子动力学的局限性

传统分子动力学（MD）模拟虽然是研究蛋白质结构和动态的重要工具，但存在明显的局限性。首先，它在速度上有很大的瓶颈，往往需要耗费大量的计算资源和时间来模拟蛋白质的动态过程。其次，对于复杂的蛋白质体系和长时间尺度的 conformational变化，传统分子动力学模拟难以高效准确地捕捉。

生成式AI带来的革命性突破

生成式AI，尤其是像BioEmu这样的模型，为蛋白质模拟带来了革命性的突破。BioEmu作为一种生成式深度学习模型，采用了DiG架构（https://www.nature.com/articles/s42256-024-00837-3），通过多种数据集进行训练以系统地采样多样化的结构集合。在预训练阶段，使用去噪分数匹配来匹配从AFDB中筛选的柔性蛋白质结构的分布；在微调阶段，结合分子动力学数据的去噪分数匹配目标和用于匹配实验折叠自由能的属性预测微调（PPFT）。

BioEmu的显著优势

速度提升

BioEmu的模拟速度比传统分子动力学模拟快几个数量级，这使得研究人员能够在更短的时间内获取大量的蛋白质结构数据，大大提高了研究效率。

高准确性

在对MD平衡分布的模拟方面，BioEmu在内部数据集上使用上述指标实现了0.9 kcal/mol的平均绝对误差。在先前报道的快速折叠蛋白质数据集上训练和测试的BioEmu变体，实现了0.74 kcal/mol的平均绝对误差。

广泛的适用性

对于构象变化研究，BioEmu模型在域运动方面总体覆盖率达到83%。局部展开事件的覆盖率分别为局部折叠状态70%和局部展开状态82%。对于隐蔽口袋，apo（未结合）状态的覆盖率为55%，holo（结合）状态的覆盖率为88%。

如何开始使用BioEmu

要开始使用BioEmu，首先需要克隆仓库，仓库地址是 https://gitcode.com/gh_mirrors/bi/bioemu。安装BioEmu（可编辑模式，包含开发额外功能）并激活其环境。BioEmu包含一个引导系统，可引导扩散过程朝向更符合物理规律的蛋白质结构。

未来展望

生成式AI在蛋白质模拟领域展现出巨大的潜力，BioEmu作为其中的代表，为蛋白质研究开辟了新的道路。随着技术的不断发展，相信生成式AI将在蛋白质结构预测、药物研发等领域发挥越来越重要的作用，成为蛋白质模拟的未来。

BioEmu的分子动力学训练数据可在Zenodo上获取，其输出结构为骨架框架表示。为了重建侧链，有多种工具可用，例如与HPacker接口进行侧链重建，并提供运行短时间分子动力学（MD）平衡的基本工具。

【免费下载链接】bioemuInference code for scalable emulation of protein equilibrium ensembles with generative deep learning项目地址: https://gitcode.com/gh_mirrors/bi/bioemu