通过SE(3)参数化扩散模型高效生成蛋白质及其蛋白质复合物的动态行为

《Journal of Chemical Information and Modeling》：Efficient Generation of Protein and Protein–Protein Complex Dynamics via SE(3)-Parameterized Diffusion Models

基于几何扩散的蛋白构象采样方法PTraj-Diff，通过SE(3)变换参数化结构并引入BERT编码器捕捉长程依赖，有效降低计算复杂度，实现了单体及复合物的高质量轨迹预测。

　　

蛋白质及其复合物的构象在生物功能中起着关键作用，然而通过传统的分子动力学（MD）模拟来研究这些构象在计算上非常耗时。尽管改进的采样方法有所提升，但仍然受到庞大构象空间的限制。最近，生成式深度学习的进步为蛋白质构象采样提供了新的途径。为了解决这一挑战，我们提出了蛋白质轨迹扩散（PTraj-Diff），这是一种用于生成蛋白质及其复合物轨迹的几何扩散框架。PTraj-Diff 通过去噪过程模拟蛋白质动态，该过程从随机噪声中迭代重建稳定构象。通过使用残基级别的 SE(3) 变换对蛋白质结构进行参数化，该模型能够有效捕捉天然蛋白质中固有的几何约束和结构关系，同时引入张量积注意力机制以降低计算开销，并减少对数据和硬件资源的需求。同时，我们整合了强大的 Bert 编码器来实现精确的长距离时间依赖性。实验结果表明，PTraj-Diff 能够高效地探索蛋白质单体和蛋白质复合物的构象轨迹。此外，它与 AlphaFold3 生成的多种构象兼容，从而能够预测高质量的轨迹。随着深度生成建模与 MD 模拟的不断结合，这种新兴方法有望成为研究蛋白质构象动态和阐明生物功能的强大工具。