ConfRover: 通过自回归同时建模蛋白质构象与动力学

理解蛋白质动力学对于阐明其生物功能至关重要。分子动力学 (MD) 数据的日益可用性使得训练深度生成模型以高效探索蛋白质构象空间成为可能。然而，现有方法要么未能明确捕捉构象之间的时间依赖关系，要么不支持直接生成时间无关的样本。为解决这些限制，我们引入了 ConfRover，一种自回归模型，它同时从 MD 轨迹中学习蛋白质构象和动力学，支持时间依赖和时间无关的采样。我们的模型核心包含一个模块化架构：(i) 一个编码层，改编自蛋白质折叠模型，将每个时间帧中的蛋白质特定信息和构象嵌入隐空间；(ii) 一个时间模块，一个跨帧捕捉构象动力学的序列模型；以及 (iii) 一个 SE(3) 扩散模型作为结构解码器，在连续空间中生成构象。在 ATLAS 上的实验——一个包含多种结构的大规模蛋白质 MD 数据集——证明了我们的模型在学习构象动力学和支持广泛下游任务方面的有效性。ConfRover 是第一个在单一框架内同时采样蛋白质构象和轨迹的模型，为从蛋白质 MD 数据中学习提供了一种新颖且灵活的方法。项目网站：https://bytedance-seed.github.io/ConfRover。