百度蛋白配体全原子扩散模型效果直逼AlphaFold3，代码数据全面开源
💡
原文中文，约2200字，阅读约需6分钟。
📝
内容提要
百度飞桨螺旋桨PaddleHelix团队开源了基于大规模预训练方法的HelixDock全原子扩散模型，能够准确预测蛋白质和小分子的结合构象。该模型具有高精度、泛化能力和鲁棒性，通过大规模数据验证了AI在科学领域的Scaling Laws。HelixDock代码和训练数据已全面开源，PaddleHelix计算平台提供免费在线服务。
🎯
关键要点
- 蛋白质-小分子构象预测是小分子药物发现中的重要任务。
- 传统的物理对接工具准确性受限于构象采样和评分函数。
- 深度学习技术被引入以提高预测准确性，但训练数据匮乏影响泛化能力。
- 百度飞桨PaddleHelix团队开源了HelixDock全原子扩散模型，能够准确预测蛋白质和小分子的结合构象。
- HelixDock通过生成亿级仿真数据构建了蛋白质-小分子对接构象数据集。
- HelixDock在构象预测准确度上超越传统工具和其他深度学习方法。
- HelixDock在PoseBusters上的成功率达85.6%，仅次于AlphaFold3。
- 模型在低相似度靶点上保持良好成功率，展现出良好的泛化能力和鲁棒性。
- HelixDock在虚拟筛选任务中表现优异，富集指数明显优于其他方法。
- HelixDock联合国家超算生成亿级别的仿真对接数据，验证了AI在科学领域的Scaling Laws。
- HelixDock的代码和训练数据已全面开源，支持学术研究和药物发现。
- PaddleHelix计算平台提供免费在线服务，方便用户体验HelixDock的能力。
➡️
