利用扭曲扩散进行机械生物分子结构预测的贝叶斯引导方法

深度学习方法彻底改变了蛋白质结构预测。这些工具利用实验数据进行训练，能够重现已报道的构象，但人们对预测那些虽具有功能相关性却在实验中代表性不足的构象抱有浓厚兴趣。由于许多现代结构预测工具使用生成式人工智能扩散模型，我们将对替代性分子构象的搜索重新表述为：从一个利用任意贝叶斯似然进行条件化的扩散分布中进行采样。我们在 Boltz-2 中实现了一种扭曲扩散采样器，以对该条件分布进行采样，并通过在机械系统中实现一种应用于受力过程的、与牵引分子动力学模拟相对应的扩散类比方法，展示了这一无需对神经网络进行任何额外训练的方法的实用性。我们能够重现 DNA 片段、肌肉蛋白 titin 以及内耳原钙黏蛋白-15 蛋白的预测拉伸态，以及与实验结果一致的 MscL 离子通道开放态。我们预期，受控结构预测将有助于为众多大分子系统采样代表性不足的构象和非平衡构象。

感谢您有兴趣帮助传播 bioRxiv 的相关信息。

注意：要求提供您的电子邮箱地址仅用于将您标识为本文的发送者。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.05.11.724187v1?rss=1

🏷️ 蛋白质结构预测 扩散模型 贝叶斯引导 分子构象采样 机械生物分子