模拟的蛋白质骨架（黄色）结合了人工智能生成的快照。图片来源：LPCS LTS2 EPFL CC BY SA
许多药物和抗体发现途径都聚焦于复杂折叠的细胞膜蛋白。当候选药物分子与这些蛋白质结合时（就像钥匙插入锁中），会触发改变细胞行为的化学级联反应。因此，了解蛋白质如何折叠和运动对于开发能与靶点良好相互作用的药物至关重要。
人工智能（AI）是生成新型蛋白质结构的非常有用的工具，但大多数系统（包括谷歌DeepMind的AlphaFold）都专注于生成蛋白质的静态"快照"。那些影响蛋白质与其他分子相互作用的侧链结构中原子的细微重新排列并未被捕捉到。
现在，洛桑联邦理工学院生命科学学院的科学家们与工程学院的数据处理专家合作，解决了这一问题。
由蛋白质和细胞工程实验室（LPCE）的帕特里克·巴特（Patrick Barth）和信号处理实验室（LTS2）的皮埃尔·范德盖恩斯特（Pierre Vandergheynst）领导的研究人员开发了一种基于人工智能的生成框架，称为全蛋白质生成的潜在扩散模型（LD-FPG），该框架能够生成包含完整原子级别的蛋白质结构及其运动。
"蛋白质就像微小的机器，通过舞蹈和开关来工作，但以完整细节生成这种'电影'一直是一个未解决的挑战，"LPCE研究员阿迪提亚·森加尔（Aditya Sengar）说道。
"我们的LD-FPG框架是首个实现这一目标的。我们的模型不是试图预测空间中原子的确切坐标，而是学习蛋白质形状变化的低维映射。这种概念上的转变使得生成全原子动态成为可能。"
新框架能够显著生成复杂药物靶点（如G蛋白偶联受体（GPCRs））的完整运动范围，这是全球药物开发行业的重点。
巴特表示："LD-FPG为设计针对蛋白质动态行为（而不仅仅是其形状）的新药物打开了大门。我们的工作代表了计算生物学的新范式，也是人工智能与结构生物学交叉领域的重要进步。"
这项工作已发表在2025年神经信息处理系统大会（NeurIPS）论文集上。
捕捉蛋白质的舞蹈
由于像AlphaFold这样的系统使用人工智能来预测蛋白质中每个原子的空间位置，它们需要大量的计算能力和生物学与计算机科学专业知识。
LD-FPG使用一种称为图神经网络（GNN）的方法简化了这个问题。GNN将每个蛋白质视为一个数学图，其中原子代表"节点"，它们之间的键代表"边"。使用这种低级表示，它本质上将蛋白质结构数据压缩成一个简化的、或潜在的映射。
接下来，一个人工智能模型研究这个映射并"学习"蛋白质结构和运动的表示。训练完成后，该模型会为全新的结构生成潜在数据。最后，这些简化数据被转换回高分辨率蛋白质——包括侧链和动态运动。
在一个实验中，研究团队生成了多巴胺D2受体在其活性和非活性状态下的高保真动态表示。这种蛋白质检测神经递质多巴胺并控制关键的细胞反应，使其成为研究最多的G蛋白偶联受体之一。研究人员已公开发布了这个数据集，以促进进一步的研究。
森加尔表示："除了增强生物学理解外，我们相信我们的工作将有助于改进蛋白质的虚拟筛选流程，目前这些流程涉及大量试错，从而加速药物发现。"
展望未来，该团队旨在进一步精简人工智能框架，以提高准确性和真实性，并使其能够模拟更大的蛋白质。但范德盖恩斯特强调，高质量数据仍将是成功的基础。"许多人认为，向人工智能模型提供海量数据集将自动解决科学问题或取代研究人员。"
"然而，这些数据中的大部分存在噪声或评估不佳。我们需要人类科学家来生产人工智能所需的干净数据和严格基准，就像我们需要记者来防止虚假信息一样。"
更多信息：阿迪提亚·森加尔等，《使用图嵌入上的潜在扩散进行全原子蛋白质构象的生成建模》，《神经信息处理系统大会论文集》（2025年）。
关键概念：原子与分子结构、生物分子与亚细胞过程、神经科学、神经计算与人工智能、人工智能、分子动力学
【全文结束】