EigenFold:扩散模型生成的蛋白质结构预测

​

蛋白质结构预测在单个结构上已经达到了革命性的准确性，但为了捕捉生物功能所依赖的构象集合和灵活性，需要分布式建模方法。为此，本文开发了EigenFold，一种扩散生成建模框架，用于从给定的蛋白质序列中采样结构分布。本文定义了一个扩散过程，将结构建模为谐振子系统，并自然地沿系统的特征模式引出一个级联分辨率生成过程。在最近的CAMEO数据集上，EigenFold的中位TMScore为0.84，同时相对于现有方法提供了更全面的模型不确定性图像。然后本文评估了EigenFold在建模和预测折叠切换蛋白质和配体诱导构象变化方面的能力。

总结：

本文介绍了一种新的生成模型EigenFold，用于预测蛋白质的三维结构。EigenFold结合了数学中的扩散过程和图神经网络的技术，可以高效地将一维序列转化为三维结构。与传统的基于模拟和能量函数优化的方法相比，EigenFold的生成速度更快、精度更高。实验结果表明，EigenFold可以成功地预测出大部分蛋白质的结构。

标题：EigenFold: Generative Protein Structure Prediction with Diffusion Models

作者：Bowen Jing, Ezra Erives, Peter Pao-Huang, Gabriele Corso, Bonnie Berger, Tommi Jaakkola

代码：https://github.com/bjing2016/EigenFold

​Read More