化学、生物与自动化实验室
颠覆级
有讲解视频
收录解读
这篇 Science 论文处理的是蛋白质建模里一个比单结构预测更困难的问题：如何高效近似蛋白质的平衡构象分布，也就是 protein equilibrium ensembles。传统分子动力学虽然能给出动态分布，但成本极高，难以大规模覆盖；而只预测单一静态结构又不足以刻画真实功能相关的构象变化。
论文提出用生成式深度学习直接模拟蛋白质平衡构象集合，把原本昂贵的分子动力学采样问题改写成可扩展的生成式近似问题。它的价值不只是再做一个结构生成模型，而是把 sequence-to-ensemble 作为核心建模对象，试图在速度和物理可用性之间建立新的折中，从而形成可大规模调用的蛋白质动力学模拟器。
这项工作值得收录，因为它明显改变了蛋白质动力学研究的工作流：从长时间模拟转向快速生成式近似。对于 AI for science 尤其是生物分子建模来说，这类系统有很强的外溢性，既影响蛋白质功能理解，也可能影响药物发现、构象筛选和下游实验设计。因此它比一般蛋白生成论文更接近 workflow-changing 的条目。
它还不到 paradigm，原因是平衡构象模拟的物理可信度、适用边界和跨蛋白泛化仍需要长期检验。现阶段更准确的定位是 disruptive：它显著改变了问题的实践路线，但是否成为长期主导范式，还取决于后续社区验证和广泛采用。