計算生物學
深度學習方法徹底改變了蛋白質結構預測。這些工具利用實驗數據進行訓練，能夠重現已報道的構象，但人們對預測那些雖具有功能相關性卻在實驗中代表性不足的構象抱有濃厚興趣。由於許多現代結構預測工具使用生成式人工智能擴散模型，我們將對替代性分子構象的搜尋重新表述為：從一個利用任意貝葉斯似然進行條件化的擴散分佈中進行採樣。
我們在 Boltz-2 中實現了一種扭曲擴散採樣器，以對該條件分佈進行採樣，並通過在機械系統中實現一種應用於受力過程的、與牽引分子動力學模擬相對應的擴散類比方法，展示了這一無需對神經網絡進行任何額外訓練的方法的實用性。我們能夠重現 DNA 片段、肌肉蛋白 titin 以及內耳原鈣黏蛋白-15 蛋白的預測拉伸態，以及與實驗結果一致的 MscL 離子通道開放態。我們預期，受控結構預測將有助於為眾多大分子系統採樣代表性不足的構象和非平衡構象。
感謝您有興趣幫助傳播 bioRxiv 的相關資訊。
注意：要求提供您的電子電郵地址僅用於將您標識為本文的發送者。
📄 原文連結：https://www.biorxiv.org/content/10.64898/2026.05.11.724187v1?rss=1
🏷️ 蛋白質結構預測 擴散模型 貝葉斯引導 分子構象採樣 機械生物分子