美国科学家开发了一种能设计新蛋白质的深度学习方法，名为RoseTTAFold Diffusion（RFdiffusion）。该方法能生成各种功能性蛋白质，包括在天然蛋白质中从未见过的拓扑结构。相关研究近日发表于《自然》。

　　深度学习推动了蛋白质结构的预测和设计，但仍需一个通用框架应对在蛋白质设计上遇到的各种挑战。扩散模型是一种生成式模拟方法，已被证明在图像和文本生成中很有用，而且似乎也适用于蛋白质设计。然而，这类模型目前的成功率并不高，产生的序列基本不能折叠成目标结构。

　　美国华盛顿大学的David Baker和同事的研究表明，通过细调之前报道过的RoseTTAFold的结构预测网络并将其整合到一个降噪扩散模型中，就能生成具有实际意义的蛋白质骨架，而蛋白质骨架决定了蛋白质的形状和功能。RFdiffusion能测试拥有不同结构元素的设计组合，并从头开始产生蛋白质。该模型能执行不同的任务，设计单体、寡聚体和有治疗或工业应用前景的复杂结构，如结合位点。

　　研究者对设计出的数百个对称聚体、金属结合蛋白及其结构与功能进行了实验表征，并证明了该方法的实用性。他们设计生成了一种结合蛋白与其底物的复合物并分析了其结构，发现结果与设计的模型几乎一模一样，从而证明了该方法的准确性。

　　研究者指出，RFdiffusion是对目前蛋白质设计方法的一次综合改进，能产生总长度达600个残基的结构，复杂性和准确度都比之前更高。进一步改进该方法或能设计出复杂程度更高的新蛋白。

　　相关论文信息：https://doi.org/10.1038/s41586-023-06415-8c