AlphaFold 3
Predição de estrutura · DeepMind · 2024

AlphaFold 3

Prevê a estrutura conjunta de complexos com proteínas, ácidos nucleicos, moléculas pequenas, íons e resíduos modificados. Um Pairformer raciocina sobre tokens e pares, e um módulo de difusão gera as coordenadas atômicas.

Em linguagem simples

O mesmo trabalho do AlphaFold 2, estendido a tudo que fica ao lado de uma proteína: DNA, RNA, uma molécula de fármaco, um íon metálico. Ele escreve a montagem inteira de uma vez, em vez de prever a proteína e docar o resto depois.

Uma forma de imaginar

O AlphaFold 2 desenhou o prédio. O AlphaFold 3 desenha o prédio já com os móveis dentro, e esboça o mesmo cômodo várias vezes para você ver a qual arranjo ele volta.

O engano mais comum

Como o decodificador gera em vez de medir, ele consegue desenhar uma pose caprichada para um ligante que na verdade não liga. A ordenação por confiança existe por isso e deve ser lida, não pulada.

Como é montado

Escolha um componente para ler
Estado de tokens e pares
Representação de pares
Condicionamento

Rodar

Rodar uma reimplementação aberta
git clone https://github.com/bytedance/Protenix
cd Protenix && pip install -e .

# One YAML per job: chains, ligands, and what to sample.
protenix predict --input examples/example.json --out_dir ./output --seeds 101

Estes trechos não foram executados aqui. Versões mudam: confira o cartão do modelo antes de confiar em qualquer linha.

01 / Por que está aqui

Posição

Relata precisão acima de ferramentas especializadas de docagem para interações entre proteína e ligante, acima de preditores específicos de ácidos nucleicos, e acima do AlphaFold-Multimer 2.3 para pares de anticorpo e antígeno, tudo num arcabouço só.

02 / O que o distingue

Distinções

  • A representação de MSA sai do tronco profundo. O Pairformer mantém as atualizações em triângulo e abandona o fluxo do alinhamento.
  • O módulo determinístico de estrutura dá lugar à difusão sobre átomos, então amostrar devolve um conjunto de estruturas.
  • Ligantes e resíduos modificados são tokenizados átomo a átomo em vez de ficarem ausentes da representação.
03 / Onde para

Limites

Um decodificador generativo pode produzir geometria plausível para regiões que não têm nenhuma, e é por isso que a ordenação por confiança faz parte do método. Reimplementações abertas existem porque os pesos originais não são livremente redistribuíveis.

Pesos e código

Conferido no registro, não de memória
RepositórioTamanhoLicençaObservação
bytedance/Protenix368M in Protenix-v1Open sourceIndependent reimplementation of the AlphaFold3 approach
boltzgen/boltzgen-1Open weightsMITRelated open all-atom generative model

Fontes

Cada número acima vem de uma destas

Mesma tarefa, outras respostas

Predição de estrutura