改变计算领域的生态格局

微软推出新型AI模型BioEmu-1：预测蛋白质动态变化，革新生物医学研究

IT之家3月1日消息，微软研究院在近期宣布了一项重大突破，推出了全新的AI模型BioEmu-1。
该模型能够预测蛋白质随时间推移的运动和形状变化，为生物医学、药物发现和结构生物学领域带来了全新的可能性。

蛋白质是生命活动的基础，从形成肌肉纤维到保护我们免受疾病侵害，几乎在所有的生物过程中，蛋白质都发挥着至关重要的作用。
近年来，科学家利用深度学习技术，在蛋白质结构研究方面取得了重大进展。
我们可以根据氨基酸序列准确预测蛋白质结构，但这仅仅像是观看电影的单帧画面，无法展现蛋白质高度灵活的特性。

微软新推出的BioEmu-1模型，就是为了解决这个问题而生。
不同于DeepMind的AlphaFold，专注于确定静态蛋白质结构，BioEmu-1模拟的是蛋白质在不同构象之间的动态转换。
这一突破性的技术为理解蛋白质运动以及设计有效的治疗方案提供了新的工具。

AlphaFold3在结构生物学领域已经取得了重大的进展，它改进了蛋白质与DNA、RNA和小分子的相互作用模型。
它无法预测蛋白质随时间的变化，而BioEmu-1正好弥补了这一不足。
它能够生成多个可能的构象，而不仅仅是单一的最佳拟合结构。
在药物开发中，这一点尤为重要。
因为药物的效力往往与蛋白质的具体构象密切相关，理解蛋白质的动态变化，有助于设计出更具针对性的药物。

BioEmu-1利用了生成式深度学习的原理，从大型数据集中学习模式，然后生成与这些模式一致的新样本。
它通过结合静态蛋白质结构、分子动力学模拟数据和实验稳定性数据进行训练，从而实现了对蛋白质动态变化的准确预测。

该模型的核心机制是一个扩散模型，它迭代地生成蛋白质结构，并根据学习到的约束条件提高预测的准确性。
BioEmu-1的关键输出包括平衡系综的预测和自由能预测。

为了训练这一模型，微软使用了三种类型的数据集：（1）AlphaFold数据库(AFDB)结构，提供了大量的静态蛋白质结构数据；（2）广泛的MD模拟数据集，包含了蛋白质的动态变化信息；（3）实验性蛋白质折叠稳定性数据集，为模型提供了真实世界的蛋白质变化数据。
通过这些数据集的训练，BioEmu-1能够识别蛋白质序列映射到多个不同结构，预测合理的结构变化，并学习以正确的概率对折叠和未折叠结构进行采样。

最令人振奋的是，BioEmu-1的研究速度之快和计算成本之低都是前所未有的。
该模型每小时可以生成数千个蛋白质结构样本，显著快于需要数周时间的传统分子动力学模拟。
其预测自由能的误差幅度在1kcal/mol以内，与传统分子动力学模拟相当，但计算成本却显著降低。

微软新推出的BioEmu-1模型为生物医学、药物发现和结构生物学领域带来了全新的可能性。
我们期待这一技术在未来能够带来更多的突破，为人类的健康福祉做出更大的贡献。

---

---

相关标签： BioEmu1、 蛋白质、 微软、

上一篇：期待无限可能科技新纪元

下一篇：行业团体的呼声愈发强烈