AlphaFold 与流匹配相遇：生成蛋白质合集
原文中文，约400字，阅读约需1分钟。发表于：。生物蛋白质的功能常依赖于动态结构集合，本研究通过开发一种基于流动的生成建模方法来学习和采样蛋白质的构象空间，利用 AlphaFold 和 ESMFold 等高精度单状态预测器进行改进，获得了名为 AlphaFlow 和 ESMFlow 的蛋白质结构的序列有条件的生成模型。在 PDB 上经过训练和评估时，我们的方法在精确性和多样性方面相比于具有 MSA 子采样的 AlphaFold...
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有条件的生成模型。该方法在PDB上训练和评估时，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。
