微软BioEmu-1：AI赋能药物研发，精准预测蛋白质结构动态，助力从静态分析到动态模拟的飞跃

微软研究院于 2 月 20 日发布博文，正式推出人工智能模型 BioEmu-1。该模型能够预测蛋白质随时间的运动轨迹和形态变化，有望为生物医学、药物发现和结构生物学等领域带来革新。

借助人工智能探索蛋白质

蛋白质在生命活动中扮演着举足轻重的角色，从构成肌肉纤维到抵御疾病，几乎所有生物过程都离不开蛋白质的参与。

近年来，科学家们利用深度学习在蛋白质结构研究方面取得了显著进展，能够根据氨基酸序列精确预测蛋白质结构。然而，仅凭氨基酸序列预测单一蛋白质结构，就好比观看电影中的单帧画面，仅仅呈现了一个高度灵活分子的静态瞬间。

微软 BioEmu-1

与 DeepMind 的 AlphaFold 侧重于确定静态蛋白质结构不同，BioEmu-1 能够模拟蛋白质在不同构象之间的动态转变，从而为理解蛋白质运动规律和设计有效的治疗方案提供了新的工具。

AlphaFold 3 在结构生物学领域取得了重大进展，改进了蛋白质与 DNA、RNA 和小分子之间相互作用的模型，但其局限性在于无法预测蛋白质随时间的动态变化。

BioEmu-1 则弥补了这一不足，它能够生成多个可能的构象，而非单一的最佳拟合结构，这在药物开发领域具有尤为重要的意义。

BioEmu-1 采用生成式深度学习方法，通过从大型数据集中学习模式，进而生成与这些模式相符的新样本。该模型结合了静态蛋白质结构、分子动力学模拟数据以及实验稳定性数据进行训练。

BioEmu-1 的核心机制是扩散模型，该模型通过迭代生成蛋白质结构，并根据学习到的约束条件不断提高其准确性。BioEmu-1 的主要输出包括平衡系综的预测和自由能预测。

BioEmu-1 采用了三种类型的数据集进行训练，分别为：（1）AlphaFold 数据库 (AFDB) 结构；（2）广泛的分子动力学 (MD) 模拟数据集；（3）实验性蛋白质折叠稳定性数据集。

通过对上述数据集的训练，BioEmu-1 能够识别蛋白质序列与多个不同结构之间的映射关系，预测合理的结构变化，并以正确的概率对折叠和未折叠结构进行采样。

BioEmu-1 每小时可以生成数千个蛋白质结构样本，与传统分子动力学模拟需要数周的时间相比，显著加快了研究速度并降低了计算成本。其预测自由能的误差幅度控制在 1 kcal / mol 以内，与传统分子动力学模拟相当，但计算成本却大幅降低。

AI 工具库附上参考地址：

• Exploring the structural changes driving protein function with BioEmu-1
• Microsoft’s New BioEmu-1 AI Model Can Predict How Proteins Move and Change
• Scalable emulation of protein equilibrium ensembles with generative deep learning