編輯 | 蘿蔔皮
2024年，科學界迎來了重要的突破與創新，尤其是在人工智慧與結構生物學的結合領域。正如今年諾貝爾獎頒發所體現的那樣，人工智慧（AI）技術的迅猛發展正在推動各學科的深度融合，揭示了生命科學研究的新機遇與前景。
在這一年裡，AI 與生物學的交匯點愈發引人注目，成為推動現代生物醫藥、醫學研究、生命科學等領域變革的重要力量。
具體而言，蛋白質結構預測、蛋白-蛋白互作、蛋白-核酸互作等基礎生命科學的關鍵問題，依託 AI 的計算能力，取得了令人矚目的進展。
AI 技術已經打破了傳統方法的侷限，不僅加深了我們對生命本質的理解，也為藥物研發和疾病診斷提供了全新的思路。這些領域的突破不僅推動了基礎生物學的深入探索，也使酶工程、製藥、醫療診斷等實際應用場景中誕生了新機遇。
接下來，ScienceAI 將回顧 2024 年 AI 在結構生物學、生物大分子互作領域的一些重要研究進展。
溫馨提示：點選文章標題可直達文章。
- 新SOTA，浙大、中科院深度學習模型可靠、準確預測蛋白-配體，助力藥物開發
- AI for Science 是科學的未來，NVIDIA 正加速它的到來
- 效能遠超當前SOTA，首個可解釋RNA的AI植物基礎模型來了，整合1124種植物RNA資訊
- 量化617,462種人類微蛋白必需性，北大LLM蛋白質綜合預測與分析，登Nature子刊
- 精確屬性控制，湖大、西電從頭藥物設計AI方法，登Nature子刊
- 準確、快速地從頭預測RNA 3D結構，港中大、復旦等深度學習方法RhoFold+登Nature子刊
- 準確率84.09%，騰訊AI Lab釋出Interformer，用於蛋白質-配體對接及親和力預測，登Nature子刊
- 壓縮率達10的48次方，實現蛋白序列空間極端壓縮，清華EvoAI登Nature子刊
- 高精度預測蛋白構象變化，中國科大、上科大通用深度學習模型
- 探索蛋白質動態變化，新AI方法JAMUN比標準MD模擬更快、更準確
- 無需預訓練，親和力與天然蛋白相當，中國科大的蛋白質從頭設計方法登Nature子刊
- 計算效率領先10倍，中國科大、哈佛功能蛋白質設計深度生成模型登Nature子刊
- AlphaFold3級效能、開源、可商用，MIT團隊推出生物分子預測模型Boltz-1
- 蛋白預測從數月縮短至數小時，MassiveFold出於AlphaFold而勝於AlphaFold3
- 生成超10萬bp的DNA序列，北理工邵斌團隊生成式DNA大語言模型，登Nature子刊
- 登Science封面！基因組基礎模型Evo重磅釋出，AI解碼分子、DNA、RNA和蛋白質
- AI面臨的五個蛋白質設計問題，Nature找了一群專家來討論
- AlphaFold3開源了，諾獎AI工具人人可用，開啟生物分子設計新時代
- ByteDance Research登Nature子刊：AI技術助力冷凍電鏡揭示蛋白質動態
- 改進蛋白突變穩定性預測，清華龔海鵬團隊AI蛋白工程模型登Nature子刊
- AI預測序列與催化效能的潛在關係，中國科學院、北師大設計合理酶變體，登Nature子刊
- 量子級精度，靜態到動態，微軟蛋白MD模擬系統登Nature
- 普林斯頓王夢迪團隊提出蛋白水印方法，助力AI蛋白生成的版權保護與安全
- 精準預測RNA可變剪接，浙大多模態深度學習模型SpTransformer登Nature子刊
- 登Nature，AI設計DNA開關，MIT團隊實現精確的細胞控制
- 準確、高效、物理有效，中科大、北大提出「兩段式」分子對接統一框架DeltaDock
- 不懂AI、不會編碼？如何輕鬆拿捏AlphaFold準確預測蛋白結構
- Nature 子刊，化學語言模型自動設計多靶點配體
- 從結構準確預測蛋白質功能，東北大學「CNN+GCN」統一框架，優於現有方法
- 準確預測蛋白質功能，中山大學基於幾何圖學習的酶工程新方法
- AI發現超16萬種新RNA病毒？阿里雲、中山大學合作研究登Cell
- 化學諾獎為何頒給「AI+生物」，憑什麼Baker獨佔一半？
- AI再奪諾獎！2024諾貝爾化學獎授予蛋白質計算領域三位科學家
- 更簡單、更清晰，解析核酸、蛋白、細胞等結構，AI實現快速分子模式挖掘
- Science 發文，高通量蛋白質組學和人工智慧的革命
- 同時生成蛋白序列和結構，David Baker團隊序列空間擴散新模型登Nature子刊
- Nature子刊，川大團隊機器學習結合MD，預測蛋白質變構，助力藥物研發
- 藉助谷歌AI工具，科學家揭示「生物蛋白如何應對惡劣條件」
- 病毒從何而來？AlphaFold等AI正在尋找答案
- 新型蛋白質大語言模型即將登陸Google Cloud
- 加速蛋白質工程，微軟開發蛋白突變效應預測AI框架µFormer
- 抗體親和力增強17倍，百奧幾何、復旦團隊AI方法模擬細微蛋白質互作，登Nature子刊
- AI蛋白大模型推動生物產業變革，分子之心完成A輪融資
- 超越AlphaFold3，OpenAI投資的AI生物初創釋出Chai-1，分子結構預測新SOTA
- DeepMind蛋白質設計新工具AlphaProteo，從頭設計高親和力蛋白結合劑，成功率最高88％
- 從頭設計「超難」癌症抗體，大衛貝克團隊AI生物計算方法的新應用
- 提速1400倍，準確標註酶活性位點，浙大、澳門理工多模態深度學習方法，登Nature子刊
- 準確預測蛋白質「運動」？AlphaFold融合物理知識，南京大學團隊蛋白構象運動新策略
- 命中率達60%，AlphaFold預測受體的三維結構，加速藥物開發
- 蛋白質功能預測新SOTA，上海理工、牛津等基於統計的AI方法，登Nature子刊
- 中科院計算所團隊提出CarbonNovo，基於AI進行蛋白質結構和序列的端到端從頭設計
- AI從頭設計蛋白質「開關」，蛋白質設計的驚人突破，David Baker研究登Nature
- 預測蛋白質-DNA結合特異性，南加州大學團隊開發幾何深度學習新方法
- 從頭設計抗體，騰訊、北大團隊預訓練大語言模型登Nature子刊
- SOTA效能，華盛頓大學開發Transformer模型將質譜轉化為肽序列，登Nature子刊
- Nature子刊，北大團隊通用AI框架對蛋白-蛋白對接進行綜合結構預測，彌合實驗與計算的差距
- Nature子刊，快10倍，基於Transformer的逆向蛋白質序列設計方法
- 生成394,760種蛋白質表徵，哈佛團隊開發AI模型，全面理解蛋白質上下文
- 萬字長文，騰訊、清華等多位生物大模型作者專訪，暢談AI生物學，解析大型細胞模型技術
- Nature子刊，諾華團隊評測ML模型在靶向蛋白質降解劑中的特性預測
- SOTA效能，廈大多模態蛋白質-配體親和力預測AI方法，首次結合分子表面資訊
- 登Science，藥物親和力增加37倍，AI對蛋白、抗體複合物進行無監督最佳化
- Nature子刊，使用3D transformer和HMM對冷凍電鏡密度圖進行從頭原子蛋白結構建模
- 精度媲美AlphaFold，EPFL的AI方法從序列中匹配蛋白質互作
- AlphaFold 3 向解碼分子行為和生物計算邁出重要一步，Nature 子刊銳評
- Nature子刊，優於AlphaFold，全原子取樣，一種預測肽結構的AI方法
- 上交大洪亮課題組&上海AI實驗室團隊釋出FSFP，基於語言模型的蛋白質功能小樣本預測方法，登Nature子刊
- 僅幾秒，準確推斷蛋白動力學資訊，山大、北理工等AI模型RMSF-net登Nature子刊
- 分子100%有效，從頭設計配體，湖南大學提出基於片段的分子表徵框架
- 登Nature子刊，拓撲Transformer模型進行多尺度蛋白質-配體互作預測，助力藥物研發
- 人工智慧如何徹底改變蛋白質科學，AlphaFold是起點，終點會在哪裡？
- 清華AIR等提出ESM-AA，首個從氨基酸到原子尺度的蛋白質語言模型
- 準確率達0.96，從序列中預測蛋白-配體互作的物理化學約束圖神經網路
- 高效且準確，鄭州大學團隊開發新AI工具識別藥物-靶標相互作用
- 模擬5億年的進化資訊，首個同時推理蛋白質序列、結構和功能的生物學大模型
- 比傳統方法高30倍，中國科學院團隊Transformer深度學習模型預測糖-蛋白質作用位點
- 成功率超越RoseTTAFold系列，用序列資訊直接預測蛋白質-配體複合物結構
- 「AI+物理先驗知識」，浙大、中國科學院通用蛋白質-配體相互作用評分方法登Nature子刊
- 取代昂貴量子方法，南科大AI方法實現蛋白質-藥物系統多尺度量子「精煉」
- 助力藥物發現，北京蛋白質組學研究中心提出基於蛋白質序列的深度遷移學習框架
- 1.8B引數，阿里雲首個聯合DNA、RNA、蛋白質的生物大模型，涵蓋16.9W物種
- SOTA效能，多尺度學習，中山大學提出蛋白質-藥物相互作用AI框架
- 效果超AlphaFold系列，量子計算方法用於蛋白質結構預測
- 填補AlphaFold3空白，位元組跳動提出物理引導的方法讓蛋白質動起來
- 登Nature子刊，中科院計算所團隊開發CarbonDesign，進行準確且穩健的蛋白質序列設計
- 結合量子特徵、2萬個分子動力學模擬，新蛋白-配體複合物ML資料集，登Nature子刊
- 準確預測藥物-靶點相互作用，江南大學提出深度學習融合GNN新方法MINDG
- Nature回應：為什麼在沒有程式碼的情況下發布AlphaFold3？
- 多功能RNA分析，百度團隊基於Transformer的RNA語言模型登Nature子刊
- AlphaFold 3輕鬆應對核酸、脂類分子？科學家迫不及待地更新了評測
- 預測配體-靶標對的結合親和力，哈工大開發新SOTA藥物表示模型
- AlphaFold 3 重磅問世，全面預測蛋白質與所有生命分子相互作用及結構，準確性遠超以往水平
- 首次，西湖大學用蛋白質語言模型定向改造鹼基編輯器，登Cell子刊
- 輝瑞 AI 方法登 Science，揭示數以萬計的配體-蛋白質相互作用
- 4000萬蛋白結構訓練，西湖大學開發基於結構詞表的蛋白質通用大模型，已開源
- 預測蛋白質共調控和功能，哈佛&MIT訓練含19層transformer的基因組語言模型
- 登Science，藥物親和力＜5納摩爾，加州大學開發特異性藥物結合蛋白的從頭計算方法
- 3倍靈敏度，搜尋百萬蛋白對只需幾秒，復旦、山大、上海交大開發新的蛋白質語言模型
- 預測完整糖肽的片段光譜，浙大開發深度學習方法DeepGlyco
- 少量資料實現高通用性，KAIST開發藥物設計3D分子生成新框架
- 優於SOTA，騰訊AI Lab開發雙重擴散模型，實現靶標配體3D分子生成和先導化合物最佳化
- 精確預測相分離蛋白質，同濟大學&中國科學院開發機器學習預測器PSPire
- 騰訊AI Lab 3篇蛋白質組論文入選國際頂級期刊，為闡釋生命提供重要技術參考
- 里程碑時刻！David Baker 團隊利用 AI 從頭設計抗體
- 準確性比AlphaFold2高6倍，Basecamp推出AI模型BaseFold，蛋白結構預測新突破
- 預測所有生物分子，David Baker 團隊蛋白質設計新工具 RoseTTAFold All-Atom 登 Science
- 用基於結構的突變偏好進行蛋白質設計，加州大學、MIT、哈佛醫學院團隊開發了一種無監督方法
- 計算蛋白質工程最新SOTA方法，牛津團隊用密碼子訓練大語言模型
- 70 億引數訓練，從DNA、RNA、蛋白質到全基因組，生物學通用大模型新標杆
- AlphaFold 預測細菌生存所需的 1402 種蛋白互作，最完整的細菌必需相互作用圖譜
- 進行藥物靶標親和力預測，浙大&華科大團隊開發擴充套件圖學習卷積網路方法
- 超越AF2？Iambic、英偉達、加州理工學院開發多尺度深度生成模型，進行狀態特異性蛋白質-配體複合物結構預測
- Nat. Commun.|人類水平的準確性，哈佛醫學院團隊使用機器學習，從空間蛋白質組資料中快速、精確地識別細胞型別
- 科學家用分子動力學和AlphaFold，揭示了轉運蛋白的未解結構
- 生成高質量、生物學上合理且多樣化的蛋白質結構，微軟和史丹佛提出基於擴散的生成模型
- 預測蛋白質動態對接？上海交大&星藥科技&中山大學等團隊開發新的深度等變生成模型
- David Baker在Science發文：AI驅動的蛋白質設計應當符合生物安全
- 未來五年AI如何改變各學科？從LLM到AI蛋白設計、醫療保健......
- 藥物-靶標親和力預測，上科大團隊開發了一種Transformer編碼器和指紋圖譜相結合的方法
- 如何利用革命性的蛋白質結構工具來發現藥物？AlphaFold 發現了數千種可能的致幻劑
- 國家蛋白質科學中心&北工大團隊開發了一種深度學習工具，用於大型佇列 LC-MS 資料分析
- 靈敏度超40%、精度達90%的從頭肽測序，一種深度學習驅動的串聯質譜分析方法
- 降低預測誤差，中國科學院團隊開發用於預測酶動力學引數的統一框架
- 上海交大&中山大學團隊使用ESMFold、預訓練語言模型以及Graph Transformer，進行蛋白質結合位點預測