AI蛋白质诺奖后再登Nature第一性原理级精度_火狐游戏平台-火狐官网体育-火狐电竞手机版

历时四年，微软亚研院AI for Science团队发布AI驱动的从头算（ab initio）生物分子动力学模仿体系。

体系名为AI²BMD，可以高效模仿含有10000多个原子的各种蛋白质，分辨率到达全原子等级，近似到达从头算（第一性原理）的精确度。

AI²BMD的呈现，可促进药物发现、蛋白质规划和酶工程等范畴的新生物医学研讨。

为便于我们了解，作者们还自撰了一篇Blog，量子位在不改动本意的根底上进行了编译收拾，一起来康康AI²BMD究竟长啥样。

生物国际的实质在于其分子及其相互作用的一直在改变。了解生物分子的动态和相互作用关于破译生物进程背面的机制以及开发生物资料和药物至关重要。但是经过试验简直不或许捕捉这些实在的日子中的运动。

此前，AlphaFold、RoseTTAFold等为代表的深度学习办法，现已完成了用试验精度猜测静态晶体蛋白结构。

不过精确地在原子分辨率下表征动态仍然是一项很具有应战性的使命，特别是当蛋白质发挥作用并与其它生物分子或药物分子相互作用时。

分子动力学（MD）模仿办法将物理学规律与数值模仿相结合，用于探究分子运动与其生物功用之间的联系，现已被遍及的使用了几十年。

经典版别在2013年取得诺贝尔奖，强调了其在推进人类了解杂乱生物体系方面的关键作用。

量子力学办法中的密度泛函理论（DFT）在1998年取得诺贝尔奖，标志着核算化学的一个关键时刻。

不过，经典分子动力学选用分子体系的简化表明，完成长期构象改变的快速模仿速度，但准确性较低。比较之下，像密度泛函理论这样的量子力学模型供给了自下而上的核算，但关于大生物分子来说，核算成本过高。

由此，微软研讨院开发出了根据AI的从头算生物分子动力学体系——AI²BMD，这也是团队四年研讨成果的结晶。

AI²BMD可以高效地以全原子分辨率模仿包含逾越10000个原子的各类蛋白质，到达近似从头核算（第一性原理）的精度。

比较规范模仿技能，它在生物分子模仿方面完成了史无前例的权衡：取得比经典模仿更高的精度，其核算成本尽管高于经典模仿，但比密度泛函理论（DFT）快几个数量级。

AI²BMD选用专门规划的通用蛋白质分片办法，将蛋白质分割成堆叠的单元，创建了2000万个快照的数据集，这也是迄今为止DFT层面最大的数据集。

根据团队从前规划的通用分子几许建模根底模型ViSNet，团队用机器学习训练了AI²BMD的势能函数。然后经过高效的AI²BMD模仿体系来进行模仿，在每一步中根据ViSNet的AI²BMD势能都会以从头核算的精度核算蛋白质的能量和原子力。

经过动力学和热力学的全面剖析，AI²BMD与试验室数据体现出更好的一致性，例如在蛋白质的折叠自由能和不同现象方面，比经典分子动力学体现更好。

总结来说，AI²BMD在分子动力学模仿范畴取得了以下几个方面的重大突破：

引入了一种可泛化的“机器学习力场”，这是一种学习原子与分子间相互作用的模型，用于具有从头算精度的全原子蛋白质动力学模仿。

它是首个处理机器学习力场在模仿蛋白质动力学中的泛化应战的办法，展现了对多种蛋白质进行稳健地从头算分子动力学模仿。

AI²BMD将量子力学建模从小的部分区域扩展到整个蛋白质，并且不需要对蛋白质有任何先验常识。这消除了量子力学与蛋白质的分子力学核算之间或许的不兼容性，并将量子力学区域的核算速度提高了几个数量级，使全原子蛋白质挨近从头算核算成为实际。因而，AI²BMD为很多下流使用铺平了路途，供给了表征杂乱生物分子动力学的新视角。

AI²BMD比x和其它量子力学办法快几个数量级。支撑对逾越10000个原子的蛋白质进行从头核算，使其成为跨学科范畴中最快的AI驱动的分子动力学模仿程序之一。