DeepMind新成果被批像广告？AlphaProteo可高效设计靶蛋白结合物，亲和力提高300倍

最新推荐文章于 2025-12-01 19:45:15 发布
原创 最新推荐文章于 2025-12-01 19:45:15 发布 · 1.3k 阅读 · 15 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#人工智能 #自然语言处理 #机器学习 #深度学习 #语言模型 #靶蛋白 #DeepMind

AlphaFold 在蛋白质预测领域一骑绝尘，AlphaFold 3 更是突破限制，实现了所有生命分子的预测，其发布时便有声音称，AlphaFold 3 的结构化预测与生成将加速 AIDD (Artificial Intelligence-driven Drug Design，AI 驱动药物设计) 的发展。

如今，DeepMind 面向 AI 药物设计再开一枪——发布用于新型蛋白质设计的 AlphaProteo。

这个 Alpha 家族新成员同样展现出了划时代的能力提升，在实验测试的 7 种靶蛋白上，AlphaProteo 不仅实现了更高的实验成功率，其结合亲和力也比现有最佳方法高出 3 到 300 倍。 同时，研究人员还将其应用于癌症和糖尿病并发症相关的靶蛋白 VEGF-A 上，完成了 AI 工具在 VEGF-A 蛋白结合体设计上的零突破。

一轮中通量筛选即可生成「即用型」蛋白质结合剂

当地时间 9 月 5 日，DeepMind 研究人员提出了用于蛋白质设计的机器学习模型 AlphaProteo，该模型可以设计出高成功率、高亲和力、无需复杂人工干预的靶蛋白结合剂。AlphaProteo 只需要通过一轮中等通量筛选，无需进一步优化，即可为许多研究应用生成「即用型」蛋白质结合剂。

模型结构：结合生成模型与过滤器，可高效生成靶蛋白结合物

AlphaProteo 包含 2 个组件，如下图所示。

一个生成模型 (Generator) ， 在蛋白质数据库 (PDB) 的结构和序列数据、以及 AlphaFold 预测结构的蒸馏集 (distillation set) 上进行训练，学习分子之间的结合方式；一个过滤器 (Filter)， 用于对生成的设计进行评分，以预测结合物是否能在实验中与靶蛋白成功结合。

在这里插入图片描述

AlphaProteo 框架

具体而言，为了设计靶蛋白结合物，研究人员先输入靶蛋白的结构，并选择靶蛋白表位的「热点」残基，推测首选结合位置，生成模型会输出针对靶蛋白的候选结合物结构和序列，过滤器 (Filter) 在实验测试 (Experiment) 前将这些预测的结合剂 (Predicted binders) 筛选为一个较小的集合，在计算机模拟基准测试中，该生成模型的表现优于现有最佳方法。

实验结论：超越最佳现有方案，具备高成功率和强亲和力

研究人员用 AlphaProteo 设计了 8 种不同结构靶蛋白的结合剂，并对它们进行实验测试。其中，有 2 种与感染有关的病毒蛋白 BHRF1 和 SARS-CoV-2 刺突蛋白受体结合域 SC2RBD，以及 5 种与癌症、炎症和自身免疫性疾病有关的蛋白 IL-7Rɑ、PD-L1、TrkA、IL-17A 和 VEGF-A，1 种与自身免疫性疾病如类风湿性关节炎相关的蛋白质 TNF。

如下图所示，AlphaProteo 生成的 7 个靶蛋白结合剂能够在实验测试时与目标蛋白紧密结合， 但它无法针对第 8 个靶点 TNF 设计成功的结合物。

在这里插入图片描述

AlphaProteo 生成的靶蛋白结合剂预测结构图

  • 蓝色表示结合剂，黄色表示蛋白质靶点，深黄色是预期的结合区域

进一步地，如下图所示，研究人员将 AlphaProteo 与其他设计方法 (Other design methods) 比较，对比体外成功率。结果发现，在湿实验室中测试中，9%-88% 候选结合物能够与靶蛋白成功结合，这比其他方法高出 5-100 倍。

其中，对于病毒蛋白 BHRF1，AlphaProteo 生成的候选分子与靶蛋白的结合成功率达到 88%，结合强度是现有最佳设计方法的 10 倍；对于蛋白质 TrkA，新结合剂比先前针对该蛋白经过多轮实验优化的最佳设计结合剂更强。

在这里插入图片描述

与其他设计方法相比，AlphaProteo 对 7 种靶蛋白的体外成功率

此外，研究人员还探索了在未经实验优化的情况下，与其他设计方法相比，AlphaProteo 设计的结合物对靶蛋白的最佳亲和力。结果发现，相比于现有最佳方法设计的结合物，AlphaProteo 生成结合物的结合亲和力更高，大约高出 3-300 倍。

  • 亲和力越大，结合越紧密

在这里插入图片描述

最佳亲和力测试

研究人员进一步探索了 SC2RBD 和 VEGF-A 蛋白更强结合剂与 AlphaProteo 设计的结合剂之间的相似性，结果证实，这些更强结合剂的结合相互作用与 AlphaProteo 预测的结合物类似，这说明 AlphaProteo 具备可靠性。

此外，研究人员还证实这些结合剂具有实际的生物学功能，例如，一些 SC2RBD 结合剂被证明可以防止 SARS-CoV-2 及其变体感染细胞。更重要的是，AlphaProteo 具有广泛的适用性，无需经过高通量筛选或亲和力优化实验，可以大大减少设计蛋白质结合剂的初始实验时间。

与欧洲最大的生物医学研究实验室通力合作

在首批测试新蛋白质设计系统 AlphaProteo 的实验中，有 3 个团队来自弗朗西斯·克里克研究所 (The Francis Crick Institute)。

弗朗西斯·克里克研究所位于英国伦敦，是目前欧洲最大的生物医学研究实验室，也是英国的研究中心。由英国国家医学研究所 (National Institute for Medical Research,简称 NIMR) 联合英国癌症研究中心 (Cancer Research UK) 耗资约 7 亿英镑，共同发起成立。

在这里插入图片描述

截至目前，克里克研究所拥有 2 千多名研究人员和 100 多个研究小组。此外，该研究所是由世界领先的 6 个生物医学研究机构合作建立的独特伙伴关系，包括医学研究理事会、癌症研究英国、威康基金会、伦敦大学学院、伦敦帝国学院和伦敦国王学院。

弗朗西斯·克里克研究所官网地址：
https://www.crick.ac.uk/

Deepmind 最新成果褒贬不一

研究意义 vs. 是否开源

虽然 AlphaProteo 在实际研究中的高价值有目共睹，但众多网友更关心的是这个工具是否开源。一位网友表示「它是开源的吗？不是的话就太没意思了」。

在这里插入图片描述

而另外一些网友则表示，AlphaProteo 对于挽救生命的意义更大于它是否开源， 并对其发展潜力表示看好。

在这里插入图片描述

在这里插入图片描述

方法论细节太少，不像论文，更像广告

DeepMind 团队为该模型撰写了一份论文，但其中涉及到模型方法细节非常少，甚至可以说几乎没有细节。一位来自全球领先制药和健康护理公司的科学家连发三条动态表示「这份白皮书的方法细节太少了」、「这感觉更像是一个广告，而不是一个合适的出版物」，并对论文中相同的图例指标进行质疑。

在这里插入图片描述

另一位来自麻省理工的生物学博士不仅再次重申了 Science 开源的意义，也对 DeepMind 此举进行抨击，「Deepmind 做得太过分了，我很想知道它是如何工作的。」

在这里插入图片描述

DeepMind 开辟新战场，与 AlphaFold 相辅相成

DeepMind 面向生物医药行业的「升级打怪」已经开辟了新战场，能否成为加速 AI 药物设计落地的强心针呢？

众所周知，AlphaFold 3 已经能够以超高精度预测所有生命分子（蛋白质、DNA、RNA、配体等）的结构和相互作用，关于其未来迭代方向，有业内人士预测，可能会在动力学信息预测方面有所提高与改善。而此番发布的 AlphaProteo 在一定程度上是能够与 AlphaFold 相辅相成，互相促进。

一方面， 蛋白质设计需要从功能出发，设计全新或改良的蛋白质结构，以实现特定的生物或化学功能，所以非常依赖于对蛋白质结构与功能关系的理解。另一方面， 蛋白质预测则能够提供关键的结构信息，指导设计。同时，设计出的蛋白质也能够帮助改进预测模型，增强蛋白质折叠、动力学等方面的预测准确性。

DeepMind 在 AlphaProteo 的介绍中提到，这一创新可能会加速人们对生物过程的理解，并有助于新药的发现，生物传感器的发展等等。未来，公司将与科学界合作，利用 AlphaProteo 解决影响深远的生物学问题，并了解其局限性。同时，DeepMind 也一直在与 Isomorphic Labs 共同探索其药物设计应用。

Isomorphic Labs 脱胎于 DeepMind，聚焦于 AI 医药领域，使命是利用人工智能和机器学习方法来加速和改善药物发现过程，以便为人类一些最具破坏性的疾病找到治疗方法。

从某种程度上看，Isomorphic Labs 也是 DeepMind 面向 AI 医药领域的触角，能够在第一时间将其最新成果有针对性地在药物设计应用上进行落地探索。该团队也出现在了 AlphaFold 3 的研究中，期待其在 DeepMind 的加持下，能够为 AI 药物设计的落地带来好消息。

最后推荐一个学术分享活动！

Meet AI4S 第三期直播邀请到了上海交通大学自然科学研究院 & 上海国家应用数学中心博士后周子宜。9 月 25 日，周子宜博士将以线上直播的形式为大家分享蛋白质语言模型的小样本学习方法，探讨 AI 辅助下定向进化的新思路。点击即可预约观看直播！

https://hdxu.cn/6Bjom

DeepMind 的 AlphaProteo：利用机器学习彻底改变蛋白质设计
ms44的专栏
09-18 1359
细胞中的蛋白质与数十种不同的伙伴相互作用，这些相互作用会改变它们的功能，当失调时，会导致病理（从癌症到自身免疫性疾病）。(PDB)中的大量蛋白质数据和 AlphaFold 中的 1 亿多条预测结构的训练，已经了解了分子相互结合的无数种方式。给定目标分子的结构和该分子上的一组首选结合位置，AlphaProteo 会生成一个候选蛋白质，该蛋白质在这些位置与目标结合。例如，关节蛋白是在实验室中创建的另一种蛋白质，将其注射到患者体内，以非常精确地阻断导致疾病的蛋白质（例如，用抗体。
论文笔记《基于深度学习模型的药物-靶标结合亲和力预测》
weixin_46042619的博客
05-28 2347
例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。提示：以下是本篇文章正文内容，下面案例可供参考例如：以上就是今天要讲的内容，本文仅仅简单介绍了pandas的使用，而pandas提供了大量能使我们快速便捷地处理数据的函数和方法。
signature=fedb52cdaa1a8c0f80b11375a0fa940b,MacSphere: Identification of Environmental Alphaproteobac...
weixin_42357916的博客
05-30 213
Abstract:Microbial metagenomics is the exploration of taxonomical diversity of microbial communities in environmental habitats using large, exhaustive DNA sequence datasets. However, due to inherent l...
抓住「AI+生物医药」黄金时期，盘点2024年最值得关注的颠覆性成果
HyperAI超神经
01-03 1526
此外，AI 还可优化细胞分化过程、推动细胞大模型的研发…：美国俄亥俄州立大学、微软研究院、加州大学欧文分校、伦斯勒理工学院等发布了迄今最大、最具多样性的适用于机器学习的生物学图像数据集 TreeOfLife-10M，并开发了生命之树的基础模型 BioCLIP，该模型充分利用 TreeOfLife-10M 中植物、动物和真菌的多样化生物图像，在多种细粒度生物学分类任务中，其表现显著优于现有方法。它可以根据化学分子的结构，对该分子的气味进行描述，在 53% 的化学分子、55% 的气味描述词判断中优于人类。
传神论文中心｜第25期人工智能领域论文推荐
OpenCSG的博客
09-16 794
这一策略不仅优化了问题解决路径，还有效提升了最终答案的准确性。尤其值得关注的是，使用 Llama3-8b 模型在 GSM8K 数据集上实现了 21.05% 的性能提升，为未来在复杂推理任务中的应用提供了有力的理论支持和实践方案。传神社区注意到这篇文章中有以下亮点：该综述全面探讨了大语言模型代理在软件工程中的应用，从需求工程到测试生成，再到软件维护，提供了广泛的视角。这篇文章为研究者和从业者提供了一个全面的框架，展示了 LLM 在各个软件开发环节中的潜力，并为未来基于 AI 的软件开发工具的发展指明了方向。
多国政策/科研突破/先锋人物/企业布局……一文看尽2024年AI4S行业大事
HyperAI超神经
12-27 1861
回顾 2024 年，AI for Science 硕果累累，尤其是临近年终的诺贝尔奖颁布，令其完成了一次「破圈」，这一重量级奖项的青睐使得公众看到了 AI4S 的价值。然而，随着人工智能技术的迅猛发展，AI 正在深刻影响各学科的研究方式与方向，成为数据推理的新范式。该机构由科学信息通信部长官和泰斋大学校长担任联席主席，以及 AI 领域的 23 名顶级专家、韩国各政府部门的 7 位官员，共 32人 组成，并分为 AI 半导体、技术研发、法律与制度、伦理安全、人才培育、 AI 生物等 6 大部门。
科技早报 | OpenAI 搜索引擎 SearchGPT 初期反馈褒贬不一；阿里云通义千问 Github 页面 404；Google 释出 Android 15 源代码 | 最新快讯
www3300300的专栏
09-06 1293
该模型标志着数字诊疗技术在医疗领域的又一突破，为脑血管病的规范化诊疗、个性化治疗和临床研究带来新的范式。该模型基于海量脑血管病临床医学数据构建，经过AI工程师和脑血管病专家半年时间的精心调训，具备卓越的专业概念理解、复杂推理和逻辑判断能力，能够为医生提供精准的医疗指导和个性化治疗方案，有效提升诊疗规范化水平，改善患者预后。9月5日消息，在2024 Inclusion·外滩大会上，MiniMax创始人、CEO闫俊杰参与圆桌讨论时表示，当下在大模型发展上他更加关注的问题是，如何通过技术的优化来拓展AI的边界。
胤娲科技：谷歌DeepMind祭出蛋白质设计新AI——癌症治疗迎来曙光
2401_85280582的博客
09-19 676
在生命的舞台上，蛋白质之间的相互作用如同一场场精妙的舞蹈，它们以独特的“爱情密码”相互识别、结合，共同编织着生命的复杂网络。想象一下，一款由AI设计的蛋白质结合剂，能够精准锁定并摧毁癌细胞，这不仅仅是科幻电影中的桥段，而是即将在现实中上演的奇迹。这意味着，在不久的将来，我们或许能见到更多基于AlphaProteo设计的药物，精准地狙击癌细胞，为患者带来生命的希望。紧接着，AlphaProteo横空出世，这位“专精版”的蛋白设计师，正以前所未有的效率，为攻克癌症等顽疾铺设道路。这一次，它们再次以惊人的姿态，
第三代AlphaFold发布：生物大分子复合物结构预测问题将被解决？
weixin_4528312的博客
11-06 3897
颠覆生命科学的 AlphaFold 发布了最新版本。准确性显著提高，覆盖范围从蛋白质扩展到其他生物分子，包括配体。
deepmind人工智能在设计上的应用
10-03
在探讨DeepMind人工智能在设计上的应用时，首先要了解计算机辅助设计（CAD）的基本概念及其在工程领域的重要性。计算机辅助设计是一种利用计算机技术进行产品设计的方法，它能极大提高设计的精度、灵活性和效率。...
Deepmind发布新方法JEST：训练时间减少13倍，算力需求节省90%
CodeMicheal的博客
07-13 1589
其次是训练时间长，OpenAI用了13万亿个token训练出了GPT-4，用了25000个A100训练了90到100天，而且利用率在32%到36%之间，故障数量过多也是极低利用率的原因，这会导致需要重新从之前的检查点开始训练。最近Google的人工智能团队发布了全新的数据训练方法——JEST，这种训练方法能够让训练时间减少13倍，让所消耗的算力降低90%，这无疑对AI领域是一个巨大的好消息，具体原因将在下文中具体展示。预处理的目的是减少模型需要处理的数据复杂性，使模型能够更好地学习文本的语义。
AI安全与超级智能融资热潮
2501_90976089的博客
03-06 325
AI初创公司融资活跃，尤其是专注于安全性和超级智能的公司，如Ilya Sutskever的SSI成功融资10亿美元，反映了市场对AI安全性的高度关注。大型语言模型（LLM）和AI工具的性能和成本持续优化，OpenAI计划推出每月2000美元的高级LLM订阅服务，DeepMind的AlphaProteo在蛋白质设计领域取得突破，展示了AI在复杂科学问题中的应用潜力。AI硬件和基础设施领域的竞争日益激烈，Elon Musk的xAI推出全球最强大的AI训练集群，Alibaba发布新的视频分析AI模型，而Intel
【推荐系统】深度学习训练框架（五）：pyspark分布式TorchDistributor主从读取OSS文件认证机制
人工智能领域博客
11-28 1839
摘要： 本文详细解释了Spark Driver端与Worker端在OSS认证上的核心区别。Driver端通过Spark配置自动认证，而Worker端（独立Python进程）需显式提供认证信息。认证来源优先级为：1)Driver传递参数，2)环境变量，3)IAM角色。文章分析了架构差异导致的不同认证方式，并推荐从Driver传递认证信息的解决方案。当前实现已采用该方案，通过Spark配置或环境变量获取认证后传递给Worker进程，确保PyArrow能正确访问OSS数据。
向量嵌入：RAG系统背后的语义引擎
uncle_ll的博客
11-29 1286
向量嵌入技术将高维语义信息压缩为低维向量，使相似概念在向量空间中聚集。作为RAG系统的核心，嵌入质量直接影响语义检索效果。从静态词嵌入到动态上下文嵌入，技术不断演进，解决了多义词等难题。现代嵌入模型基于Transformer架构，通过对比学习优化检索性能。选型需考虑MTEB排名、语言支持等维度，并结合业务测试。未来趋势包括多模态融合、知识图谱增强和轻量化部署。嵌入技术已成为NLP领域的关键支柱，其优化对提升RAG系统性能至关重要。
07_Spring AI 干货笔记之提示词
在科技的浪潮中，我们寻找着创新的火种，在代码的海洋里，我们编织着智慧的网。腾飞开源，就是这样一个由技术精英汇聚而成的博客平台，我们致力于分享在Java、Python、IoT和人工智能等领域的最新研究成果和实战经验。 在腾飞开源的博客上，你会看到紧跟技术前
11-30 1238
本文详细介绍了Spring AI中的提示词核心概念与API设计。提示词作为引导AI模型生成特定输出的关键输入，其结构从简单字符串演进为包含多角色消息的复杂形式。Spring AI通过Prompt和Message接口提供结构化提示词管理，支持系统、用户、助手等角色分配。PromptTemplate类实现动态内容渲染，并支持自定义模板引擎。文章还涵盖提示词工程的最佳实践与令牌机制，为开发者提供完整的提示词设计解决方案。
RAG信息检索全解析：从Embedding到Reranker的超详细教程1
Trb201013的博客
11-27 1534
文章介绍了RAG系统中信息检索环节的核心技术，包括文档段落嵌入和用户查询嵌入，将文本转换为向量表示；详细解释了相似度检索的多种方法，如Top-K检索、MMR策略和Reranker二次排序技术；强调了合理切分策略对嵌入效果的重要性，以及查询扩展技术对提高检索准确度的作用。指出RAG的本质是"开卷考试"，检索质量直接影响最终生成效果。
【LLM】DeepSeekMath-V2模型
发现问题，并解决问题，批判性思维
11-29 886
研究问题：这篇文章要解决的问题是如何在大型语言模型（LLMs）中进行自我验证的数学推理。具体来说，现有的基于最终答案奖励的强化学习方法在数学推理中存在根本局限性，因为正确答案并不能保证推理的正确性，特别是在定理证明任务中。 研究难点：该问题的研究难点包括：如何在不依赖最终答案的情况下验证推理的正确性；如何在生成和验证之间建立有效的迭代改进循环；如何在没有已知解决方案的开放问题上扩展测试时计算。 相关工作：该问题的研究相关工作有：OpenAI的推理模型在定量推理竞赛中取得了显著进展；DeepMind的Deep
LMM-Det：让大型多模态模型在目标检测中脱颖而出
AI浩
12-01 1204
大型多模态模型因其在多模态理解、推理和上下文学习等方面的卓越能力，在人工智能研究和工业界引起了广泛的关注和兴趣。虽然 LMM 在图像描述、视觉问答和视觉定位等多模态任务上已展现出有前景的结果，但其目标检测能力与专业检测器相比仍存在显著差距。为弥补这一差距，我们摒弃了将重型检测器与 LMM 集成的传统方法，提出了 LMM-Det，这是一种简单而有效的方法，它利用大型多模态模型进行纯目标检测，而无需依赖专门的检测模块。
昇腾平台 vLLM 部署与性能优化实战：高吞吐推理落地指南
最新发布
二哈喇子！
12-01 4679
昇腾平台vLLM部署与性能优化实战摘要
Python中有哪些可用于蛋白质结构预测的库？
07-29
### Python中用于蛋白质结构预测的库 蛋白质结构预测是计算生物学领域中的重要问题，通过预测蛋白质的三维结构，可以更好地理解其功能和相互作用。近年来，随着深度学习的发展，许多基于Python的库和工具被广泛应用于这一领域。 #### AlphaFold AlphaFold 是由 DeepMind 开发的一种深度学习模型，它在蛋白质结构预测任务中取得了突破性的进展。AlphaFold 提供了完整的模型架构和预训练参数，用户可以直接使用其 Python API 来预测蛋白质结构。以下是一个使用 AlphaFold 进行单个蛋白质序列预测的代码示例： ```python from alphafold.model import model from alphafold.data import pipeline # 提供蛋白质序列 sequence = 'YOUR_PROTEIN_SEQUENCE' # 设置参数 data_dir = './data' output_dir = './predicted_structures' model_params_path = 'model/params.pkl' # 运行模型 input_data = pipeline.default_input_maker(data_dir, sequence) result = model.predict(input_data, model_params_path) # 保存结果 prediction = result['structure'] prediction.write_pdb_file(f'{output_dir}/predicted_structure.pdb') ``` AlphaFold 的实现依赖于 TensorFlow 框架，并且需要大量的计算资源，因此通常在高性能计算平台上运行[^3]。 #### Biopython Biopython 是一个用于生物信息学的 Python 库，支持多种文件格式和数据库查询。虽然 Biopython 本身不直接提供蛋白质结构预测的功能，但它可以用于解析和处理 PDB 文件、序列比对、结构可视化等任务，是进行蛋白质结构研究的重要工具之一。 ```python from Bio.PDB import PDBParser # 解析 PDB 文件 parser = PDBParser() structure = parser.get_structure('1UBQ', '1ubq.pdb') # 打印结构信息 for model in structure: for chain in model: print(chain) ``` Biopython 提供了对 PDB 文件的解析能力，适合用于后续的结构分析和可视化工作[^1]。 #### PyTorch 和 TensorFlow PyTorch 和 TensorFlow 是两个主流的深度学习框架，许多蛋白质结构预测模型都是基于这两个框架实现的。例如，一些基于循环神经网络（RNN）的蛋白质二级结构预测模型就使用了 PyTorch 或 TensorFlow 来构建和训练模型。 以下是一个使用 PyTorch 构建简单 RNN 模型进行蛋白质二级结构预测的代码片段： ```python import torch import torch.nn as nn class RNNModel(nn.Module): def __init__(self, input_size, hidden_size, output_size): super(RNNModel, self).__init__() self.rnn = nn.RNN(input_size, hidden_size, batch_first=True) self.fc = nn.Linear(hidden_size, output_size) def forward(self, x): out, _ = self.rnn(x) out = self.fc(out) return out # 初始化模型 model = RNNModel(input_size=20, hidden_size=64, output_size=3) # 定义损失函数和优化器 criterion = nn.CrossEntropyLoss() optimizer = torch.optim.Adam(model.parameters(), lr=0.001) ``` 该模型可以用于从氨基酸序列出发预测蛋白质的二级结构，通常需要结合训练集和测试集进行模型训练和评估[^2]。 #### OpenMM OpenMM 是一个用于分子动力学模拟的 Python 库，虽然它主要用于模拟蛋白质的动态行为，但也可以与结构预测模型结合使用，用于验证预测结构的稳定性。OpenMM 提供了高效的 GPU 加速计算能力，适合大规模的分子模拟任务。 ```python from simtk.openmm import app import simtk.openmm as mm from simtk.unit import * # 加载 PDB 文件 pdb = app.PDBFile('input.pdb') # 创建系统 forcefield = app.ForceField('amber99sb.xml', 'tip3p.xml') system = forcefield.createSystem(pdb.topology, nonbondedMethod=app.PME, nonbondedCutoff=1*nanometer, constraints=app.HBonds) # 设置模拟器 integrator = mm.LangevinIntegrator(300*kelvin, 1/picosecond, 0.002*picoseconds) simulation = app.Simulation(pdb.topology, system, integrator) simulation.context.setPositions(pdb.positions) # 运行能量最小化 simulation.minimizeEnergy() # 运行动力学模拟 simulation.step(1000) ``` OpenMM 可以与结构预测工具结合，用于进一步研究蛋白质结构的动态变化[^1]。 #### 其他工具 - **Rosetta**：Rosetta 是一个广泛使用的蛋白质结构预测和设计工具，虽然其核心是 C++ 编写的，但它提供了 Python 接口，方便用户进行脚本化操作。 - **Modeller**：Modeller 是一个用于同源建模的工具，支持 Python 脚本编写，适合用于基于已知结构的模板进行结构预测。 - **DSSP**：DSSP 是用于从 PDB 文件中提取蛋白质二级结构信息的工具，通常与 Biopython 结合使用。 ###
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值