蛋白质在生命活动中至关重要，但传统研究面临高成本和效率低下的挑战。近年来，AI和大数据技术的进步为蛋白质智能计算体系的构建提供了新机遇，显著提升了蛋白质结构预测、功能注释和交互识别的效率，推动了药物发现和生命系统模拟的发展。

2025年3月22-23日，上海交通大学将举办AI蛋白质设计峰会，汇聚300多位专家学者，探讨AI在蛋白质设计中的应用。西湖大学的原发杰博士将分享蛋白质语言模型的研究进展，包括SaProt、ProTrek、Pinal和Evolla等，展示AI在蛋白质结构预测和设计中的重要性。

新加坡国立大学的张阳教授团队开发了深度学习框架DRfold2，显著提升了非编码RNA的三维结构预测精度，超越现有方法，为RNA结构解析提供了新计算手段，推动了分子生物学的发展。

自2018年AlphaFold问世以来，蛋白质结构预测领域取得显著进展。最新研究提出的AlphaFold-Metainference方法，通过结合AlphaFold预测的对齐误差与分子动力学模拟，成功构建了无序蛋白质结构集合，拓展了AlphaFold的应用，为无序蛋白质研究提供了新思路。

本研究提出了一种新的周期贝叶斯流方法CrysBFN，旨在解决晶体数据生成建模中的周期性物理对称性问题。实验结果表明，CrysBFN在晶体生成和结构预测任务中表现优异，显著提高了采样效率。

本研究提出了一种新框架，通过对比学习从输出训练数据中直接学习可微结构损失函数，以应对结构预测中的复杂性挑战。实验结果表明，该方法在性能上优于传统的预定义核方法。

本文介绍了一种新的蛋白质三维结构估计框架，结合深度学习和机器学习技术，从冷冻电镜图像中高效重建蛋白质结构。研究提出了多种方法，如cryoDRGN、图形神经网络和FFF，显著提高了结构预测的准确性，并解决了现有方法的不足。未来需进一步整合冷冻电镜数据与其他数据源，以推动该领域的发展。

RNAFlow 是一种新型 RNA 序列结构设计方法，结合 RNA 逆折叠模型和 RosettaFold2NA 网络，简化训练过程并增强构象模拟。RNA-FrameFlow 引入生成模型用于 3D RNA 骨架设计，解决 RNA 建模中的挑战，生成符合有效性标准的局部真实 RNA 骨架。gRNAde 提出几何 RNA 设计流程，改善多状态 RNA 的生产。FoldFlow-2 改进蛋白质结构生成能力，rnaglib 训练模型预测 RNA 功能。

本文介绍了一种基于3D蛋白质结构的自监督学习方法，利用图神经网络进行预训练，显著提高了蛋白质功能和结构预测的准确性。研究表明，该方法在多个任务中表现优越，且所需的预训练数据更少。

AlphaFold3是通过减少多序列比对的使用和引入扩散模块来进行结构预测的技术杰作。尽管具有更高的分辨率和预测相互作用的模型元素，但AlphaFold3的伪代码无法轻松重现模型，引发了科学界的批评。AlphaFold3的发布提醒学术界依赖科技公司开发和分发工具的风险。尽管弥补了一些缺陷，但由于封闭源和幻觉的限制，AlphaFold3不会对社区产生同样的影响。

研究发现，将概率模型与约束解码方法相结合可以提高结构预测性能。Lazy-$k$ 是一种新的解码方法，提供了解码时间和准确性之间更大的灵活性。约束解码方法在使用较小模型时尤其有效。

最新的AlphaFold模型显著提高了对生物分子的预测准确性，涵盖配体、蛋白质和核酸，推动了生物医学的突破和数字生物学的发展。该模型在疫苗研发和癌症药物发现等领域得到了广泛应用，展现了人工智能在科学研究中的巨大潜力。

本文研究了结构预测任务中的模型更新回归问题，并探索了降低模型更新回归的技术。通过测量和分析不同模型更新设置下的情况，提出了一种名为“Backward-Congruent Re-ranking (BCR)”的简单有效方法，该方法比模型集成和知识蒸馏更好地缓解了模型更新回归问题。