蛋白质设计的深度学习模型中心综述
机器学习
2025-02-27 v1 生物大分子
摘要
深度学习已彻底变革了蛋白质设计，使其能够实现准确的结构预测、序列优化和原创蛋白质生成。AlphaFold2、RoseTTAFold、ESMFold 等单链蛋白质结构预测方法取得了接近实验精度的成果，激发了后续工作扩展至仿生分子复合物，如 AlphaFold Multimer、RoseTTAFold All-Atom、AlphaFold 3、Chai-1、Boltz-1 等。生成模型如 ProtGPT2、ProteinMPNN 和 RFdiffusion 已实现超越自然进化限制的序列和主链设计。更近期，融合序列与结构双模态的联合设计模型（包括 ESM3 等）整合了两种模态，实现了改进的可设计性。尽管已取得这些进展，但仍存在建模序列-结构-功能关系以及确保训练数据覆盖范围之外鲁棒性一般化等挑战。未来的进展很可能集中在能够比处理这些模态独立模型更有效地建模适度 landscapes 的联合序列-结构-功能共设计框架。当前能力与疯狂的进步速度相结合，表明该领域很快将实现针对具有特定结构和功能的蛋白质进行快速、理性设计，这些设计超越了由自然进化所限制的局限性。本综述讨论了深度学习方法在蛋白质设计中的当前能力，重点关注最具革命性和能力最强的模型及其功能和所启用的应用，逐步抵达该领域当前的挑战以及最佳前进路径。
引用
@article{arxiv.2502.19173,
title = {A Model-Centric Review of Deep Learning for Protein Design},
author = {Gregory W. Kyro and Tianyin Qiu and Victor S. Batista},
journal= {arXiv preprint arXiv:2502.19173},
year = {2025}
}