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。