《自然》雜志11日發表的論文描述了一項結構生物學新突破：一種能設計新蛋白質的深度學習方法，名為RoseTTAFold Diffusion（RFdiffusion）。其能生成各種功能性蛋白質，包括在天然蛋白質中從未見過的拓撲結構。

深度學習推動了蛋白質結構的預測和設計，但仍需一個通用框架來克服在蛋白質設計上遇到的各種挑戰。擴散模型是一種生成式模擬方法，已被證明在圖像和文本生成中很有用，而且似乎也適用于蛋白質設計。然而，這類模型目前的成功率并不高，產生的序列基本不能折疊成目標結構。

美國華盛頓大學科學家研究表明，通過細調之前報道過的RoseTTAFold的結構預測網絡，將其整合到一個降噪擴散模型中，就能生成具有實際意義的蛋白質骨架，而蛋白質骨架決定了蛋白質的形狀和功能。RFdiffusion模型能測試擁有不同結構元素的設計組合，并從頭開始產生蛋白質。該模型還能執行不同的任務，設計單體（蛋白質的基本組成單位）、寡聚體（多亞基聚體）、有治療或工業應用前景的復雜結構。

團隊對數百個設計出的對稱聚體、金屬結合蛋白和結合蛋白的結構和功能進行了實驗表征，證明了該方法的實用性。他們生成了RFdiffusion設計的一種結合蛋白與其底物（此處為流感血凝素，一種在流感病毒表面發現的蛋白）的復合物并分析了其結構，發現結果與設計的模型幾乎一模一樣，從而證明了該方法的準確性。

研究人員表示，RFdiffusion是對目前蛋白質設計方法的一次綜合改進，能產生總長度達600個殘基的結構，復雜性和準確度都比之前更高，未來對該方法的進一步改進將能設計出復雜程度更高的新蛋白。