FoldScape 按指定折叠比例生成蛋白质构象集合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载方法如何生成构象
FoldScape 的输入是蛋白序列和一个指定的折叠比例 Q，输出是该折叠程度下的 Cα 构象集合。它不直接预测单一结构，而是先对一维残基间距离做分层、滑窗式回归，再完成三维链的组装，最后用 rectified-flow 解码器采样出多条链。训练数据来自两类轨迹：多尺度粗粒化的折叠轨迹，以及全原子的机械去折叠轨迹。作者称，这种组合让模型学到从去折叠集合到折叠态之间的连续过渡，而不是只记住天然构象。
与 AlphaFold 3 的对比
评测覆盖 20 种人源蛋白，残基长度从 36 到 857。在采样数量相同的条件下，FoldScape 覆盖的折叠坐标范围比仅改变随机种子的 AlphaFold 3 集合大约多一个数量级，且这一结果在不同蛋白、不同序参量和不同分箱选择下都成立。作者也指出，AlphaFold 3 在紧邻天然态的区域锚定更准，而 FoldScape 到不了这一区域，因此两者是互补关系，而非替代关系。
精度稳定性与长链推理
FoldScape 的重建精度沿 Q 变化基本保持恒定，从塌缩线团一直到接近天然的球状体都没有明显衰减，这与只在天然态附近表现好的预测器不同。为处理超出单次链级前向计算长度的序列，作者采用步长为 1 的裁剪叠加方案，把推理扩展到数倍于单次前向长度的链。此外，训练轨迹能在残基分辨率上解析机械去折叠，以拉伸为条件的集合在不同拉伸速度下给出可重复的连续观测量，部分去折叠的链会形成几何上连贯的片段。
为什么值得看
它补上了 AlphaFold 类方法不描述的从去折叠到折叠的连续过程，做蛋白折叠与构象集合的人值得看。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。