动态蛋白质数据集：通过整合动态行为和物理属性扩展SE（3）模型
原文中文，约400字，阅读约需1分钟。发表于：。本研究针对静态蛋白质结构研究中缺乏动态行为数据的不足，提出了一种新方法，构建了一个包含约12600个蛋白的动态数据集Dynamic PDB，结合分子动力学模拟和物理属性。在此基础上，利用SE(3)扩散模型进行轨迹预测，研究表明加入物理属性能显著提高预测精度。
本研究开发了一种基于流动的生成建模方法，用于学习和采样蛋白质的构象空间。通过改进AlphaFold和ESMFold等预测器，获得了名为AlphaFlow和ESMFlow的蛋白质结构的序列生成模型。该方法在精确性和多样性方面优于具有MSA子采样的AlphaFold。经过全原子MD集合的训练后，该方法能够准确捕捉未知蛋白质的构象灵活性和位置分布。此外，该方法可以使静态PDB结构多样化，并具有更快的收敛时间，展示了其作为基于物理的仿真的替代品的潜力。
