入选ICML！麻省理工团队基于AlphaFold实现新突破，揭示蛋白质动态多样性
内容提要
蛋白质构象变化对生物功能至关重要。研究团队结合AlphaFold和ESMFold的新型采样方法，通过流匹配技术提供了一种观察和理解蛋白质构象空间的新视角。研究展示了AlphaFlow和ESMFlow在预测构象柔韧性和原子位置分布建模方面的卓越性能。
延伸解读
流匹配为何优于谐波扩散
文章指出，流匹配框架相比谐波扩散有两个主要优势：一是谐波扩散仅在无限时间限制下收敛到先验分布，且收敛速度取决于蛋白质大小，导致推理时分布偏移；二是流匹配能简单处理PDB中常见的缺失残基，只需省略即可，而谐波扩散需对缺失残基进行数据插补。这些优势使流匹配更适合蛋白质构象生成。
AlphaFlow与ESMFlow的性能差异
在PDB测试集上，AlphaFlow与MSA二次采样类似，以牺牲精度增加多样性，但追踪到更优的Pareto前沿；ESMFlow则能在几乎不牺牲精度的情况下注入大量多样性并提高召回率。此外，AlphaFlow在预测原子平均位置方面略优于AlphaFold，在建模方差方面明显优于MSA二次采样。
计算效率的实证：AlphaFlow vs MD
研究分析了在等效计算预算下AlphaFlow与MD模拟的效率。将AlphaFlow样本数从250减少到4，并将MD轨迹从100ns缩短到160ps后，AlphaFlow集合的质量仍保持不变，而MD轨迹需要更长时间才能达到或超过相同质量水平。这表明AlphaFlow在有限计算资源下能更高效地生成蛋白质集合。
蛋白质AI模型的竞争与协作
文章提到，蛋白质通用预训练已形成AlphaFold、RoseTTAFold和ESM三大系列并驾齐驱的局面。2024年上半年，多项基于这些模型的研究登上顶级期刊，如AlphaFold2指导药物发现、AlphaFold 3预测多种分子结构、RoseTTAFold All-Atom实现共价修饰预测等。尽管Meta解散了ESMFold团队，但ESM系列研究仍在继续。
Q&A
AlphaFold和ESMFold的结合有什么创新之处？
研究团队结合了AlphaFold和ESMFold的新型采样方法，通过流匹配技术提供了观察蛋白质构象空间的新视角。
这项研究如何影响蛋白质的构象预测？
研究展示了AlphaFlow和ESMFlow在预测构象柔韧性和原子位置分布建模方面的卓越性能，超越了传统方法。
研究使用了哪些数据集进行实验？
研究使用了PDB和ATLAS数据集，确保实验结果的公允性。
AlphaFLOW和ESMFLOW在性能上有什么优势？
AlphaFLOW在预测原子平均位置方面优于AlphaFold，并在建模方差方面明显优于MSA二次采样。
这项研究的成果对药物发现有什么意义？
AlphaFold2在药物发现中表现出显著实用性，能够筛选潜在新药，推动生物医药领域的变革。
流匹配技术在蛋白质研究中有什么优势？
流匹配提供了一种简单的方法来处理缺失残基，优于谐波扩散，且收敛速度更快。
