7月10日，Microsoft Research科学团队的AI发表了题为“蛋白质平衡合奏的可扩展模仿，并具有广义深度学习”的结果。论文：https：//www.science.org/dii/10.1126/science.adv9817代码：github.com/microsoft/bioemu型号：https：//huggingging.co/microsface.co/microsface https://colab.research.google.com/github/sokrypton/colabfold/blob/main/bioemu.ipynbai foundry: https://ai.azure.com/catalog/models/bioemu this study proposes a kind of name called bioemu the gererative deep learning model cane simulate protein conformational changes with Unsprecedented效率和准确性，为理解蛋白质功能机制和药物检测的超速发展开辟了新的途径。从结构性预测到功能模拟：诸如Alphafold之类的蛋白质研究模型的下一个边界已经使非凡的发展在蛋白质Str的预测中取得了成功近年来，这些方法通常只能预测单个静态结构，并且几乎无法获得在其操作过程中经历蛋白质的动态变化。蛋白质不是静态分子，而是构象合奏的变化，其操作通常取决于这些结构之间的过渡。 Bioemu诞生是为了解决这一挑战。它通过将静态结构纳入AlphaFold数据库，分子动力学（MD）模拟数据，在200毫秒和500,000个数据数据库中，可以在单个GPU中每小时生成数千种独立蛋白质结构，并在单个GPU中产生数千种独立的蛋白质结构。生成建模BioEMU从Microsoft Research中进行DIG（分布图形器）的初始工作。基于扩散模型的结构，结合了Alphafold的Evoformer和二阶积分采样技术的编码，它可以很好地从蛋白质的分布中进行样本mation。它的主要变化是：模仿操作过程中蛋白质中发生的主要结构变化的能力，例如隐藏的口袋，局部爆炸和域的重组；在能量项的自由预测中，1 kcal/mol误差水平与毫秒级的MD模拟和实验数据完全一致，并且与分子动力学模拟相比，达到了一些速度阶。突变体稳定性（ΔG）的修饰的预言非常好，平均绝对误差低于1 kcal/mol，而长矛人系数超过0.6。 OP TeamEn源释放研究已转化为采购的模型参数和代码GitHub和HuggingFace，并发布了100多毫秒的MD模拟数据，涵盖了数千种蛋白质系统和数千个三十个突变体，为后续研究提供了丰富的资源。 BioeMu还部署了Azure AI Foundry和Colabfold等平台，该平台允许用户轻松运行MOdels。看看未来：从单体蛋白到多分子系统的Bioemu开放释放源也标志着微软促进开放科学的重要一步。当前，生物emu建模对象是主要的单体蛋白质。研究小组探索了其扩展到更复杂的生物系统（例如复杂蛋白质和蛋白质）的扩展，并整合了实验数据，以进一步提高将军的一般和可解释性的能力。在蛋白质科学，药物设计和合成生物学领域，生物EMU有望是连接结构和功能，理论和实验的桥梁。