在蛋白质结构预测和功能预测领域，基于机器学习的方法最近取得了显著的进展。特别是深度学习技术在这个领域中展现出了强大的能力，代表性的技术有 DeepMind 的 AlphaFold 和 RoseTTAFold。这些技术利用了大量的生物数据和先进的神经网络架构，极大地推动了蛋白质研究的边界。

1. AlphaFold

DeepMind 的 AlphaFold 是近年来蛋白质结构预测领域的突破性成就。AlphaFold 通过使用深度学习算法预测蛋白质的三维结构，其准确度在2020年CASP14比赛中被证实远超其他方法。AlphaFold 的核心是一个基于深度学习的模型，它能够预测蛋白质的氨基酸残基之间的距离和角度分布。

技术要点

• 结构预测：AlphaFold 使用了一个深度学习网络，该网络预测残基对之间的距离和角度。
• 多序列比对：利用多序列比对输入来增强预测的准确性。
• 注意力机制：使用了注意力模型来处理蛋白质的序列信息，使模型能够集中于序列中最相关的部分。
• 端到端训练：整个模型是端到端训练的，直接预测蛋白质的三维坐标。

开源地址

AlphaFold GitHub

运行条件

运行 AlphaFold 最简单的方法是使用提供的 Docker 脚本。我们在 Google Cloud 上测试了该脚本，测试机器有 12 个 vCPU、85 GB RAM、100 GB 启动盘、数据库位于额外 3 TB 磁盘上以及一个 A100 GPU。首次运行时，请按照安装和运行第一个预测nvidia-gpu-cloud-image部分 的说明进行操作 。 

2. RoseTTAFold

由华盛顿大学开发的 RoseTTAFold 也是一种基于深度学习的蛋白质结构预测工具，它类似于 AlphaFold，但结构稍有不同，且计算效率更高。RoseTTAFold 通过一个三轨神经网络架构进行蛋白质的结构预测，这种架构可以同时处理一维序列和二维相互作用图。

技术要点

• 三轨网络架构：包括处理一维序列特征、二维配对特征和三维结构特征的网络。
• 快速预测：与 AlphaFold 相比，RoseTTAFold 在保持相近的预测精度的同时，提供了更快的预测速度。
• 广泛的应用：除了蛋白质结构预测，还可以用于预测蛋白质与RNA等其他生物分子的相互作用。

开源地址

RoseTTAFold GitHub

3. ESMFold

ESMFold 是一个新兴的蛋白质结构预测工具，由 Meta AI（以前是 Facebook AI）开发。它采用了类似于 AlphaFold2 的深度学习方法，但显著地提高了预测的速度和效率，同时在准确性上与 AlphaFold2 相当。ESMFold 的核心是使用进化缩放模型（Evolutionary Scale Modeling，ESM）进行蛋白质结构预测。

核心技术

ESMFold 的关键技术基础是 Meta AI 之前开发的 ESM 系列语言模型，这些模型专门用于解析和理解蛋白质序列。ESMFold 利用了这些语言模型的功能来预测蛋白质的空间结构，这种方法展现了在蛋白质结构预测任务上的强大能力。

开源地址

ESMFold on GitHub

相关文章

ESMFold: AlphaFold2之后蛋白质结构预测的新突破_esm-2-CSDN博客