BioEmu vs 传统分子动力学：为什么生成式AI是蛋白质模拟的未来？
BioEmu vs 传统分子动力学为什么生成式AI是蛋白质模拟的未来【免费下载链接】bioemuInference code for scalable emulation of protein equilibrium ensembles with generative deep learning项目地址: https://gitcode.com/gh_mirrors/bi/bioemuBioEmu是一种基于生成式深度学习的蛋白质平衡结构集合预测模型它能够以比传统分子动力学模拟快几个数量级的速度模拟蛋白质结构集合。通过利用新颖的训练方法和海量的蛋白质结构数据、超过200毫秒的分子动力学模拟数据以及实验蛋白质稳定性数据BioEmu的蛋白质结构集合在一系列具有挑战性和实际相关性的指标上都能很好地代表平衡状态。传统分子动力学的局限性传统分子动力学MD模拟虽然是研究蛋白质结构和动态的重要工具但存在明显的局限性。首先它在速度上有很大的瓶颈往往需要耗费大量的计算资源和时间来模拟蛋白质的动态过程。其次对于复杂的蛋白质体系和长时间尺度的 conformational变化传统分子动力学模拟难以高效准确地捕捉。生成式AI带来的革命性突破生成式AI尤其是像BioEmu这样的模型为蛋白质模拟带来了革命性的突破。BioEmu作为一种生成式深度学习模型采用了DiG架构https://www.nature.com/articles/s42256-024-00837-3通过多种数据集进行训练以系统地采样多样化的结构集合。在预训练阶段使用去噪分数匹配来匹配从AFDB中筛选的柔性蛋白质结构的分布在微调阶段结合分子动力学数据的去噪分数匹配目标和用于匹配实验折叠自由能的属性预测微调PPFT。BioEmu的显著优势速度提升BioEmu的模拟速度比传统分子动力学模拟快几个数量级这使得研究人员能够在更短的时间内获取大量的蛋白质结构数据大大提高了研究效率。高准确性在对MD平衡分布的模拟方面BioEmu在内部数据集上使用上述指标实现了0.9 kcal/mol的平均绝对误差。在先前报道的快速折叠蛋白质数据集上训练和测试的BioEmu变体实现了0.74 kcal/mol的平均绝对误差。广泛的适用性对于构象变化研究BioEmu模型在域运动方面总体覆盖率达到83%。局部展开事件的覆盖率分别为局部折叠状态70%和局部展开状态82%。对于隐蔽口袋apo未结合状态的覆盖率为55%holo结合状态的覆盖率为88%。如何开始使用BioEmu要开始使用BioEmu首先需要克隆仓库仓库地址是 https://gitcode.com/gh_mirrors/bi/bioemu。安装BioEmu可编辑模式包含开发额外功能并激活其环境。BioEmu包含一个引导系统可引导扩散过程朝向更符合物理规律的蛋白质结构。未来展望生成式AI在蛋白质模拟领域展现出巨大的潜力BioEmu作为其中的代表为蛋白质研究开辟了新的道路。随着技术的不断发展相信生成式AI将在蛋白质结构预测、药物研发等领域发挥越来越重要的作用成为蛋白质模拟的未来。BioEmu的分子动力学训练数据可在Zenodo上获取其输出结构为骨架框架表示。为了重建侧链有多种工具可用例如与HPacker接口进行侧链重建并提供运行短时间分子动力学MD平衡的基本工具。【免费下载链接】bioemuInference code for scalable emulation of protein equilibrium ensembles with generative deep learning项目地址: https://gitcode.com/gh_mirrors/bi/bioemu创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
