中新網北京7月12日電 (記者 孫自法)國際著名學術期刊《自然》最新在線發表一篇結構生物學論文稱，研究人員利用人工智能(AI)技術驅動，研發出一種能設計新蛋白質的深度學習(xi) 方法，這個(ge) 名為(wei) RoseTTAFold Diffusion(RFdiffusion)的深度學習(xi) 方法能生成各種功能性蛋白質，包括在天然蛋白質中從(cong) 未見過的拓撲結構。

　　該論文介紹，深度學習(xi) 推動了蛋白質結構的預測和設計，但仍需一個(ge) 通用框架來克服在蛋白質設計上遇到的各種挑戰。擴散模型是一種生成式模擬方法，已被證明在圖像和文本生成中很有用，而且似乎也適用於(yu) 蛋白質設計。然而，這類模型目前的成功率並不高，產(chan) 生的序列基本不能折疊成目標結構。

　　論文通訊作者、美國華盛頓大學David Baker和同事及合作者開展研究表明，通過細調之前報道過的RoseTTAFold的結構預測網絡並將其整合到一個(ge) 降噪擴散模型中，就能生成具有實際意義(yi) 的蛋白質骨架，而蛋白質骨架決(jue) 定了蛋白質的形狀和功能。該模型(RFdiffusion)能測試擁有不同結構元素的設計組合，並從(cong) 頭開始產(chan) 生蛋白質。RFdiffusion能執行不同的任務，設計單體(ti) (蛋白質的基本組成單位)、寡聚體(ti) (多亞(ya) 基聚體(ti) )和有治療或工業(ye) 應用前景的複雜結構，如結合位點。

　　論文作者對數百個(ge) 設計出的對稱聚體(ti) 、金屬結合蛋白和結合蛋白的結構和功能進行了實驗表征，證明了該方法的實用性。他們(men) 還生成了設計的一種結合蛋白與(yu) 其底物(此處為(wei) 流感血凝素——在流感病毒表麵發現的蛋白)的複合物並分析了其結構，發現結果與(yu) 設計的模型幾乎一模一樣，從(cong) 而證明了該方法的準確性。

　　論文作者總結認為(wei) ，RFdiffusion是對目前蛋白質設計方法的一次綜合改進，能產(chan) 生總長度達600個(ge) 殘基的結構，複雜性和準確度都比之前更高。後續對該方法的進一步改進，或能設計出複雜程度更高的新蛋白。(完)