🐯虎嗅•較早收集於 20m
Baker 綜述：AI 革新蛋白質從頭設計
#de-novo-protein#ai-design#biotechrfdiffusion,-proteinmpnndavid-bakerrfdiffusionproteinmpnnalphafold
💡Baker 預測 AI 蛋白質奈米機器 5-10 年內解決癌症/氣候 (22字)
⚡ 30-Second TL;DR
有什麼變化
AI 轉變：RFdiffusion 從噪聲生成新骨架；ProteinMPNN 填充序列。
為什麼重要
AI 工具民主化蛋白質設計，實現超越自然進化的癌症、氣候與生物科技客製解決方案。
下一步行動
在 Colab 上試用 RFdiffusion 生成客製蛋白質骨架。
誰應關注：Researchers & Academics
關鍵要點
- •AI 轉變：RFdiffusion 從噪聲生成新骨架；ProteinMPNN 填充序列。
- •里程碑：從頭結構、對稱組裝如 SKYCovione 疫苗、結合劑、酶。
- •挑戰：高能垒催化劑、多功能奈米機器整合結合/催化。
🧠 深度解析
AI-generated analysis for this event.
🔑 增強重點摘要
- •David Baker 團隊開發的 RoseTTAFold All-Atom 模型進一步擴展了 AI 設計能力，使其能夠模擬蛋白質與非蛋白質配體（如小分子、金屬離子、核酸）的相互作用，而不僅限於蛋白質骨架。
- •蛋白質從頭設計已從單純的結構預測轉向「功能導向設計」，透過結合實驗室高通量篩選（如深度突變掃描）與 AI 模型迭代，大幅縮短了從設計到實驗驗證的週期。
- •除了醫學應用，該領域正積極探索蛋白質材料在環境修復中的應用，例如設計能高效降解塑膠聚合物或捕獲特定環境污染物的合成酶。
🛠️ 技術深入
• RFdiffusion：基於去噪擴散概率模型（Denoising Diffusion Probabilistic Models, DDPM），透過學習蛋白質結構空間的概率分佈，從隨機噪聲中生成具有特定拓撲結構的骨架。 • ProteinMPNN：採用圖神經網絡（Graph Neural Networks, GNN）架構，將蛋白質骨架視為圖結構，透過訊息傳遞機制預測與給定骨架最匹配的氨基酸序列，解決了傳統物理能量函數計算成本過高的問題。 • RoseTTAFold All-Atom：引入了全原子表示法，將蛋白質與配體視為統一的圖結構進行建模，利用注意力機制捕捉蛋白質與非蛋白質組分之間的複雜化學鍵結與空間位阻。
🔮 前景展望AI analysis grounded in cited sources
蛋白質設計將實現從單一功能向多功能整合的轉變。
目前的設計正從單一結合劑或酶向具備感測、計算與執行功能的複雜奈米機器演進，這將徹底改變合成生物學的應用範疇。
AI 蛋白質設計將顯著降低新藥研發的臨床前成本。
透過高精度的從頭設計減少實驗試錯次數，預計未來五年內將有更多基於 AI 設計的候選藥物進入臨床試驗階段。
⏳ 時間線
2021-07
Baker 團隊在 Science 發表 RoseTTAFold，實現了基於深度學習的快速蛋白質結構預測。
2022-04
ProteinMPNN 論文發表，解決了蛋白質序列設計的效率瓶頸。
2022-12
RFdiffusion 預印本發布，標誌著蛋白質從頭設計進入生成式 AI 時代。
2024-10
David Baker 因在蛋白質計算設計方面的貢獻獲得諾貝爾化學獎。
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： 虎嗅 ↗