麻省理工学院的研究人员开发出了一种名为“FrameDiff”的计算工具，它利用生成式AI来构建新的蛋白质结构，旨在加快药物开发并改善基因疗法。

麻省理工学院的计算机科学与人工智能实验室研究人员开发出了一种名为FrameDiff的计算工具，它利用生成式人工智能来创建新的蛋白质结构。通过机器学习来建模蛋白质的“脊柱”，并在三维空间中进行调整，形成超越已知设计的蛋白质。这一突破性的成果有望加速药物研发，提升基因治疗技术，创造出能够更高效结合的蛋白质，其潜在应用领域包括生物技术、靶向药物传递等等。

生物学是一幅奇妙而又精妙的织锦。其中心是DNA，这位主纺织师编码蛋白质，负责协调许多支撑人体内生命的生物功能。然而，我们的身体就像一件精心调谐的乐器，容易失去和谐。毕竟，我们面对的是一个不断变化且无情的自然世界：病原体、病毒、疾病和癌症。

设想一下，如果我们能够加快疫苗和新型病原体药物的研发过程会是怎样的情景。假设我们拥有基因编辑技术，能够自动产生蛋白质来纠正引起癌症的DNA错误，那会怎样？寻找能够与目标强烈结合或加快化学反应的蛋白质对于药物研发、诊断以及众多工业应用来说至关重要，然而这往往是一个费时和昂贵的努力。

为了提高我们在蛋白质工程方面的能力，MIT CSAIL的研究人员提出了一种名为“FrameDiff”的计算工具，用于创造超越自然界的新蛋白质结构。这种机器学习方法生成与蛋白质结构固有性质相吻合的“框架”，使其能够独立于现有设计构建新的蛋白质，从而促进了前所未有的蛋白质结构的产生。

“在自然界中，蛋白质设计是一个漫长的过程，需经过几百万年的时间。我们的技术旨在应对人类创造的问题，这些问题进化的速度远超过了自然界的步伐。”麻省理工学院计算机科学与人工智能实验室的博士生Jason Yim说道，他是这项工作的主要作者。“就生成人工合成蛋白结构的这一新能力而言，它开启了无数增强能力的可能性，例如更好的结合体。这意味着可以通过工程化蛋白质来更高效、更有选择性地与其他分子结合，对于定向药物传递和生物技术领域有广泛的影响，从而可能导致更好的生物传感器的发展。这也可能对生物医学领域和其他领域产生影响，提供可能性，例如开发更高效的光合作用蛋白、创建更有效的抗体，以及为基因治疗工程纳米颗粒。”

镶嵌框架差异

蛋白质具有复杂的结构，由许多通过化学键连接的原子组成。决定蛋白质三维形状最重要的原子被称为“骨干”，有点像蛋白质的脊柱。脊柱沿着的每一个原子三元组都具有相同的化学键和原子类型的模式。研究人员注意到这种模式可以被利用来利用微分几何和概率的思想构建机器学习算法。这就是框架的作用：在数学上，这些三元组可以被建模为在三维空间中具有位置和旋转的刚体，称为“框架”（在物理学中常见）。

这些框架为每个三联体提供足够的信息，以了解其空间环境。然后，机器学习算法的任务就是学习如何移动每个框架，以构建蛋白质的主干结构。通过学习构建现有蛋白质，算法有望推广并能够创造出大自然从未见过的新蛋白质。

通过“扩散”培训模型来构建蛋白质，涉及注入噪音以随机移动所有帧，并模糊原始蛋白质的外观。算法的任务是移动和旋转每个帧，直到它看起来像原始蛋白质。尽管简单，但在帧的扩散方法的开发中，需要在黎曼流形上进行随机微积分的技术。在理论方面，研究人员提出了“SE(3)扩散”来学习概率分布，这非平凡地连接了每个帧的平移和旋转成分。

微妙的扩散艺术

在2021年，DeepMind推出了AlphaFold2，一种深度学习算法，用于从蛋白质序列预测其三维结构。在合成蛋白质时，有两个关键步骤：生成和预测。生成意味着创造新的蛋白质结构和序列，而“预测”则意味着找出一个序列的三维结构是什么样子的。AlphaFold2之所以也使用了框架来对蛋白质建模，并非巧合。SE(3)扩散和FrameDiff受到启发，进一步将框架融入扩散模型中，这是一种在图像生成中非常流行的生成性人工智能技术，比如Midjourney，例如。

蛋白质结构生成与预测之间的共享框架和原则意味着两者最佳模型是相容的。与华盛顿大学蛋白质设计研究所合作，SE(3)扩散已被用于创造并实验证实新的蛋白质。具体而言，他们将SE(3)扩散与RosettaFold2相结合，后者是一种与AlphaFold2类似的蛋白质结构预测工具，从而产生了“RFdiffusion”。这个新工具让蛋白质设计师更接近解决生物技术中的关键问题，包括加速疫苗设计的高度特异性蛋白质结合物、用于基因传递的对称蛋白质工程以及精确酶设计的稳健模体支架。

FrameDiff未来的努力将包括改进其适用性，以适用于结合多种生物制剂（如药物）需求的问题。另一个扩展是将该模型推广到涵盖DNA和小分子等所有生物学模态。团队认为，通过对更实质性的数据进行FrameDiff模型的训练，并改进其优化过程，可以生成与RFdiffusion相媲美的具有设计能力的基础结构，同时保留了FrameDiff固有的简洁性。

“丢弃FrameDiff中的预训练结构预测模型为快速生成长度可延伸的结构打开了新的可能性。”哈佛大学计算生物学家Sergey Ovchinnikov如是说。研究人员的创新方法为克服当前结构预测模型的限制迈出了有希望的一步。尽管这仍然是初步的工作，但这是朝着正确方向鼓舞人心的进展。因此，得益于这个麻省理工学院研究团队的开创性工作，蛋白质设计的愿景，在应对人类最紧迫挑战中发挥着关键作用，似乎越来越接近实现。”