中新網北京7月12日電 (記者 孫自法)國際著名學術期刊《自然》最新在線發(fā)表一篇結構生物學論文稱，研究人員利用人工智能(AI)技術驅動，研發(fā)出一種能設計新蛋白質的深度學習方法，這個名為RoseTTAFold Diffusion(RFdiffusion)的深度學習方法能生成各種功能性蛋白質，包括在天然蛋白質中從未見過的拓撲結構。

　　該論文介紹，深度學習推動了蛋白質結構的預測和設計，但仍需一個通用框架來克服在蛋白質設計上遇到的各種挑戰(zhàn)。擴散模型是一種生成式模擬方法，已被證明在圖像和文本生成中很有用，而且似乎也適用于蛋白質設計。然而，這類模型目前的成功率并不高，產生的序列基本不能折疊成目標結構。

　　論文通訊作者、美國華盛頓大學David Baker和同事及合作者開展研究表明，通過細調之前報道過的RoseTTAFold的結構預測網絡并將其整合到一個降噪擴散模型中，就能生成具有實際意義的蛋白質骨架，而蛋白質骨架決定了蛋白質的形狀和功能。該模型(RFdiffusion)能測試擁有不同結構元素的設計組合，并從頭開始產生蛋白質。RFdiffusion能執(zhí)行不同的任務，設計單體(蛋白質的基本組成單位)、寡聚體(多亞基聚體)和有治療或工業(yè)應用前景的復雜結構，如結合位點。

　　論文作者對數百個設計出的對稱聚體、金屬結合蛋白和結合蛋白的結構和功能進行了實驗表征，證明了該方法的實用性。他們還生成了設計的一種結合蛋白與其底物(此處為流感血凝素——在流感病毒表面發(fā)現的蛋白)的復合物并分析了其結構，發(fā)現結果與設計的模型幾乎一模一樣，從而證明了該方法的準確性。

　　論文作者總結認為，RFdiffusion是對目前蛋白質設計方法的一次綜合改進，能產生總長度達600個殘基的結構，復雜性和準確度都比之前更高。后續(xù)對該方法的進一步改進，或能設計出復雜程度更高的新蛋白。(完)