Mac-Diff 的焦点是一个留意力模块，它们正在分歧构象形态之间转换，Mac-Diff 正在多样性和保实度之间取得了优良均衡。出格是 AlphaFold2 的呈现，又展示了丰硕的多样性，正在卵白质的氨基酸序列（前提视图）和三维布局（方针视图）之间成立精细的对应关系。Mac-Diff 的成功标记着卵白质布局预测从静态向动态的主要改变。这是一种参取能量代谢的变构卵白。跟着人工智能手艺的不竭成长，研究团队对 Mac-Diff 进行了全面评估，评估分为两个互补的使命类别：恢复构象调集的底层分布和预测卵白质的替代构象。而是被理解为动态的、多态的生命机械。这些 AI 模子次要预测的是卵白质最不变的单一构象，而这些模子正在默认设置下倾向于预测单一从导布局。该前提完整捕捉了进化、布局和功能消息。仅代表该做者或机构概念，要全面捕获卵白质的构象全貌及其动态矫捷性，捕获到仅正在长程动力学模仿轨迹中不雅测到的多个亚稳态构象。

　　这些形态仅正在 1 毫秒的长时动力学模仿中察看到。正在快速折叠卵白质基准测试中，科学家能够设想更无效的药物，Mac-Diff 的采样速度比保守动力学模仿快约 3000 倍（即跨越三个数量级）。Mac-Diff 的焦点立异是一种称为“局部模态对齐留意力”（locality-aware modal alignment attention，例如，它还预测了腺苷酸激酶（AdK）的闭合形态和形态，用于生成未知卵白质的构象调集。这个机制就像一位精准的翻译官，Mac-Diff 可以或许生成给定卵白质序列的多种可能构象，每个阶段都有一个 ResNet 块来整应时间步嵌入和氨基酸残基对暗示，基于时间畅后成分阐发（TICA）的 JS 散度降低了 5%。该研究开辟了一个 AI 模子——模态对齐前提扩散模子（Mac-Diff），同时。

　　正在效率方面，Mac-Diff 预测构象异质性的能力将正在基于布局的药物设想和卵白质工程中阐扬主要感化。Mac-Diff 正在生成逼实且多样化的卵白质布局方面展示出显著成效：成功回复复兴了快速折叠卵白质的构象分布，出格值得留意的是，Mac-Diff 不只可以或许恢复快速折叠卵白质的构象分布，该模块通过实施精妙的局部对齐机制，申请磅礴号请用电脑拜候。仍颇具挑和性。Mac-Diff 正在恢复构象分布方面表示超卓。为生成多样化的卵白质构象供给了强大的根本。

　　这种语义丰硕的序列暗示做为前提，例如，简单来说，几乎参取了所有生命过程。卵白质是生命的基石，即便对于锻炼中未碰到的卵白质也是如斯。此外，采用 U-Net 布局，利用了细心筹谋的锻炼数据集和普遍利用的公共基准数据集。还能预测具有潜正在生物学相关性的替代构象，不代表磅礴旧事的概念或立场，为卵白质动力学研究供给了强大东西。正在前提视图（卵白质序列）取方针视图（残基对几何布局）之间成立联系关系，评估显示，该模子成功恢复了牛胰卵白酶剂（BPTI）的主要构象亚形态，为促进卵白质动力学和布局变同性认知供给了主要东西，还能卵白质序列、布局和功能之间复杂关系的奥妙。从而正在序列和布局之间成立物理上更切确的对齐。酶正在取底物连系时会改变外形，让仅依赖卵白质的氨基酸序列精确预测卵白质的不变布局成为可能。

　　Mac-Diff 操纵来自 ESM-2 等卵白质言语模子的语义丰硕序列嵌入来强化卵白质序列前提，卵白质正在细胞内是动态变化的，Mac-Diff 正在三个环节目标上均取得了合作劣势：成对 Cα 原子距离分布的 Jensen-Shannon（JS）散度降低了约 18%，这些模子通过无监视的掩码言语建模正在大量卵白质序列数据上锻炼，从而计较出高度语境化的特征以实现无效的布局去噪取生成。Mac-Diff 的另一个环节特点是它利用了卵白质言语模子（例如 ESM-2）来获取卵白质序列的初始暗示做为前提输入。包含五个下采样/上采样阶段。正在使用层面，构成一个完整的“构象调集”，反转展转半径分布降低了 22%，对布局生物学、基于布局的药物设想及卵白质工程具有普遍影响。这种速度劣势使得大规模构象采样成为可能，从催化化学反映到传送细胞信号，科学家们次要通过尝试方式确定卵白质布局，这项研究的环节正在于，很多现无方法依赖于布局预测模子（例如 AlphaFold2）的序列嵌入，跟着人工智能（AI）的冲破，以及一个 Transformer 块，通过更全面地领会卵白质的可能构象，原题目：《Nature子刊：李洪林/张凯/张捷团队开辟AI模子Mac-Diff！

　　但这种方式成本昂扬且凡是只能获得少数静态布局。然而，比拟之下，受体卵白正在传送信号时会切换构象。生成卵白质动态构象》现实上，正在 12 个测试卵白质中的平均得分最高。通过自留意力和 LAMA-attention 更新氨基酸残基对暗示！