上海
撰文丨王聰
編輯丨王多魚
排版丨水成文
生物分子的結構預測是計算生物學的核心，推動了藥物發現、蛋白質工程以及分子相互作用研究的發展。深度學習已徹底改變了這一領域，以 AlphaFold 和 RoseTTAFold 系列的最新突破為代表。盡管取得了這些進展，準確預測生物分子復合物的結構，仍面臨挑戰。
提高單次預測的準確性已被證明十分困難，因此，生成大量候選構象的集成方法成為了一種簡單而有效的方式來提升性能。然而，雖然生成大量候選結構可以提高預測準確性，但這也會帶來巨大的計算成本，例如，進行一千次采樣可能需要整整一天的 GPU 時間。此外，生成的結構集合數量有限且高度相似，這導致大多數采樣的構象提供的額外信息很少，整體采樣效率仍然較低。
近日，百度飛槳團隊在 Nature 子刊Nature Machine Intelligence上發表了題為：Reshaping biomolecular structure prediction through strategic conformational exploration with HelixFold-S1 的研究論文。
該研究開發了一個生物分子結構預測推理大模型——HelixFold-S1，能夠以極高的效率和精確度探索構象空間。與依賴隨機、無引導的采樣不同，HelixFold-S1 有策略地聚焦于構象空間中最具信息量的區域，旨在覆蓋多個高概率區域，能夠實現對復雜生物大分子組裝體既準確又高效能的建模，從而解決 復雜復合物（蛋白-蛋白、蛋白-抗體、蛋白-配體、蛋白-RNA 和蛋白-DNA）結構預測中的“構象空間搜索”難題，標志著蛋白質復合物結構預測技術從“廣撒網”式采樣邁向“精準制導”式探索的新階段 。
生成大量候選構象，是改進生物分子結構預測的標準方法。然而，無目標的采樣效率低下且成本高昂，會產生大量重復的構象，多樣性有限，尤其對于復雜的多聚體組裝結構更是如此。
在這項新研究中，研究團隊提出了HelixFold-S1，這是一種引導式規劃方法，專為提升生物分子復合物的結構預測而設計，通過戰略性地聚焦構象空間中最具信息量的區域，從而生成準確的構象。對于每個復合物，預測的鏈間接觸概率作為構象空間的藍圖，引導計算工作聚焦于高概率、低冗余的接觸，從而約束結構生成。
在多種生物分子復合物基準測試中，HelixFold-S1在結構準確性方面顯著優于傳統的無引導方法，同時將采樣需求降低了約一個數量級。預測的接觸概率還能粗略地指示預測難度和采樣效用。這些結果表明，引導式規劃能夠重塑構象探索過程，從而實現更高效、更準確的結構推斷。
HelixFold-S1 已部署于 PaddleHelix 平臺，并可在線使用。
論文鏈接：
https://www.cell.com/cell-press-blue/fulltext/S3051-3839(26)00050-2
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
