Fold-switching proteins push the boundaries of conformational ensemble prediction
National Institutes of Health（美国国立卫生研究院）
本文研究折叠切换蛋白的构象集合预测，发现深度学习模型受限于训练集结构关联，提出通过识别新折叠切换蛋白来提升预测能力。
2026-01-08 q-bio.BM
Novel hybrid protein scaffold gap filling using weighted machine learning ensemble, beam search, and mass-constrained reranking
American International University-Bangladesh（美国国际大学-孟加拉国分校）；City University（城市大学）
提出一种混合机器学习与质量约束重排序框架，结合加权集成、束搜索及同源检索，在已知缺口大小和质量条件下实现高准确率的蛋白质支架缺口填充。
2026-09-09 cs.LG q-bio.BM
ENSEMBITS: an alphabet of protein conformational ensembles
Department of Computer Science, Vanderbilt University（范德比尔特大学计算机科学系）；Center for AI in Protein Dynamics, Vanderbilt University（蛋白质动力学中的人工智能中心，范德比尔特大学）；Department of Molecular Physiology and Biophysics, Vanderbilt University（分子生理学与生物物理学系，范德比尔特大学）
本文提出Ensembits，首个蛋白质构象集合分词器，通过残差VQ-VAE训练，在动态数据稀疏性挑战中表现优异，提升RMSF预测及多种结构预测任务性能。
2026-05-14 cs.AI cs.LG q-bio.BM
Efficient inference of protein structural ensembles
越来越清楚的是，传统的蛋白质单一结构模型不足以理解它们的生物学功能。在这里，我们概述了一种从实验中推断蛋白质最常见的结构（天然状态）的方法，但整个系统可以采用的构象。这样的集合模型对于理解内在无序的蛋白质、酶催化和信号传导是必要的。我们认为，生成这样一个模型的最困难的方面将是找到一个小的配置集，以准确地模拟结构异质性，并提出一种方法来克服这一挑战。
2014-08-01 physics.bio-ph q-bio.BM
Self Organizing Maps to efficiently cluster and functionally interpret protein conformational ensembles
提出了一种结合自组织映射、层次聚类和网络组件的方法，旨在比较从多个分子动力学模拟中获得的蛋白质构象集合。作为第一个结果，可以通过仅使用所获得的簇的代表性构象来概括原始系综。此外，网络组件分析允许发现和解释每个神经元赢得的构象的动态行为。结果表明，这种方法的能力，有效地获得由原始构象合奏所描述的蛋白质动力学的功能解释，突出了其作为蛋白质工程的支持的潜力。
2013-09-30 cs.CE q-bio.BM
Deep Learning of Proteins with Local and Global Regions of Disorder
针对固有无序蛋白质/区域预测置信度低的问题，提出基于Transformer语言扩散模型的IDPForge方法，生成与实验数据一致的全原子无序集合，无需序列特异性训练或重加权，促进无序蛋白质结构研究。
2025-03-29 q-bio.BM
Machine learning methods to study sequence-ensemble-function relationships in disordered proteins
本文综述了利用机器学习方法研究无序蛋白质序列-ensemble-功能关系的最新进展，涵盖构象ensemble生成、序列设计及序列与功能关联，强调实验、理论与模拟的整合及进化约束的作用。
2025-02-26 q-bio.BM
Predicting protein dynamics from structural ensembles
蛋白质的生物学特性是由其结构和动力学决定的。溶液中的蛋白质在全局折叠周围占据亚稳态构型的结构系综。从整体旋转到局部波动，蛋白质的动力学可以在时间尺度上覆盖几个数量级。我们提出了一个模拟免费粗粒度的方法，利用知识的重要亚稳态折叠状态的蛋白质来预测蛋白质的动力学。这种方法是基于蛋白质动力学的朗之万方程（LE4PD），在蛋白质骨架的坐标朗之万形式主义。这种朗之万形式主义的线性模式组织了蛋白质的波动，因此更广泛的动力学协同性与增加模式扩散的能垒有关。LE4PD的准确性进行了验证，通过分析预测的动力学在一组七个不同的蛋白质，其中弛豫数据和NMR溶液结构。使用实验NMR构象作为输入的结构合奏，LE4PD预测定量准确的结果，与相关系数\r{ho} = .93 NMR骨干松弛测量的七种蛋白质。将NMR溶液结构导出的系综和预测的动力学弛豫与分子动力学模拟导出的结构系综和LE4PD预测进行了比较，并且在模拟的时间尺度上是一致的。实验NMR构象的使用从计算要求高的模拟释放的方法。
2015-09-29 cond-mat.soft physics.bio-ph q-bio.BM
Determination of protein structural ensembles using cryo-electron microscopy
对蛋白质的结构、热力学和动力学的了解大大促进了对蛋白质行为的全面了解。所有这些信息都可以在结构集成方面以有效的方式提供。结构系综可以通过确定蛋白质可以占据的所有主要状态的结构、群体和相互转换率来获得。为了实现这一目标，结合实验和计算方法的综合方法提供了强大的工具。在这里，我们专注于冷冻电子显微镜，这已成为近年来的宝贵资源，桥梁的差距，从有序到无序的结构生物学。在这篇综述中，我们提供了一个角度的当前的挑战和机遇，在确定蛋白质结构合奏使用综合的方法，可以结合冷冻电子显微镜数据与其他可用的信息来源，以及概述的工具提供给社会。
2018-10-26 q-bio.BM q-bio.QM
PHASE: encoding global protein ensembles with local Hamiltonians and all-atom backmapping
本文提出PHASE框架，将蛋白质构象集合转换为显式统计模型，可重现残基统计、定义激活景观坐标，完成粗粒度-采样-逆映射循环，支持QUBO编码，用于构建蛋白质构象集合的紧凑可解释统计模型。
2026-08-25 q-bio.BM
Folding of Protein L with implications for collapse in the denatured state ensemble
蛋白质折叠中的一个基本问题是卷曲到球塌缩的转变是发生在折叠的初始阶段（爆发阶段）还是与蛋白质折叠转变同时发生。单分子荧光共振能量转移（FRET）和小角X射线散射（SAXS）实验不同意蛋白L折叠转变是否发生在折叠的爆发阶段。我们研究蛋白质L折叠使用粗粒度模型和分子动力学模拟。蛋白质L的折叠转变是伴随着蛋白质L的折叠转变而发生的。在折叠的爆发阶段，我们发现，FRET实验高估了回旋半径，$R_g$，由于高斯聚合物链的端到端分布的应用程序提取$R_g$从FRET效率的蛋白质。FRET实验估计$\approx$降低$\approx$ 6倍，当氯化胍变性剂从7.5 M稀释至1 M时，$\approx$的实际降低为$\approx$ 3倍，从而表明在爆发期蛋白质尺寸的明显压缩。的$\approx$ 3倍的减少是接近的$R_g$从SAXS实验，这表明没有压实测量数据的统计不确定性，导致与FRET实验的分歧。在蛋白质L折叠的过渡态系综（TSE）结构是球状的和广泛的与$Ψ$分析实验一致。结果支持的假设，单结构域蛋白质的TSE依赖于蛋白质的拓扑结构，并不稳定的局部相互作用。
2016-02-29 q-bio.BM
TEMPO: Temporal Multi-scale Autoregressive Generation of Protein Conformational Ensembles
School of Data Science, The Chinese University of Hong Kong, Shenzhen（数据科学学院，香港中文大学（深圳））；Changping Laboratory, Beijing（昌平实验室，北京）
本文提出TEMPO分层自回归框架，以双尺度架构将蛋白质动力学建模为马尔可夫过程，兼顾计算效率与物理准确性，用于生成时间连贯且真实的蛋白质构象系综轨迹。
2025-10-24 cs.AI q-bio.BM
Ensemble-based characterization of unbound and bound states on protein energy landscape
蛋白质能量景观和构象集合的表征对于理解蛋白质折叠和功能的机制具有重要意义。我们研究了六种蛋白质的结合和非结合构象的集合，以探索它们的结合机制并表征隐式溶剂中的能量景观。首先，结果表明，结合和未结合的光谱往往显着重叠。此外，重叠越大，结合和未结合构象系综之间的RMSD越小。其次，分析的未绑定到绑定的变化点构象选择的结合机制的四种蛋白质。第三，对于大多数蛋白质，未结合光谱的中心具有比二聚体和多聚体状态的相应结合光谱的中心更高的能量。这表明非束缚态通常比复合物外的束缚态具有更大的熵。第四，穷举长最小化，使小的旋转异构体内的调整，大大减少了绑定和未绑定的光谱的中心之间的距离，以及光谱范围。它将未结合和结合的能级凝聚成能量景观底部的薄层，相应地，未结合和结合态的能量间距在0.8-4.6和3.5-10.5千卡/摩尔之间变化。同时，完整系综中两个最低态之间的能隙在0.9和12.1千卡/摩尔之间变化。最后，对蛋白质能量涨落的分析表明，蛋白质振动本身可以激发态间跃迁，从而支持构象选择理论。
2012-11-05 physics.bio-ph q-bio.BM
Extended Experimental Inferential Structure Determination Method for Evaluating the Structural Ensembles of Disordered Protein States
表征具有内在或未折叠状态的蛋白质包括结构生物学中的新前沿，需要表征多样和动态的结构集合。我们介绍了一个全面的贝叶斯框架，扩展实验推断结构确定（X-EISD）方法，该方法通过考虑广泛的实验数据和结构的反算模型的不确定性来计算蛋白质结构系综的最大对数似然，包括NMR化学位移，J-耦合，核奥弗豪泽效应，顺磁弛豫增强，残余偶极耦合，和流体动力学半径，单分子荧光Förster共振能量转移效率和小角X射线散射强度曲线。我们将X-EISD应用于drkN SH 3展开状态域，并表明某些实验数据类型比其他类型更有影响力，既消除了结构系综模型，同时也找到了同样可能的无序系综，这些系综具有替代结构特性，将刺激进一步的实验来区分它们。
2019-12-29 physics.bio-ph q-bio.BM
Learning Structure, Energy, and Dynamics: A Survey of Artificial Intelligence for Protein Dynamics
Mila – Quebec AI Institute（魁北克AI研究所）；University of Pittsburgh（匹兹堡大学）；Peking University（北京大学）；Université de Montréal（蒙特利尔大学）；HEC Montréal（蒙特利尔HEC学院）；CIFAR AI Chair（CIFAR人工智能主席）
本文综述了人工智能在蛋白质动力学中的最新进展，从结构集合和轨迹学习、物理能量信号学习以及加速分子模拟三个方面探讨了核心方法与主要贡献。
2026-04-28 cs.LG q-bio.BM
Probing Protein Ensemble Rigidity and Hydrogen-Deuterium exchange
使用程序FIRST可以准确有效地分析蛋白质的刚性和柔性。先前使用FIRST的研究旨在使用单个静态（快照）结构分析蛋白质的刚性和柔性。然而，众所周知的是，蛋白质可以经历自发的亚分子解折叠和重折叠，或构象动力学，即使在非常有利于明确定义的天然结构的条件下。这些（局部）解折叠事件导致大量构象异构体，它们彼此之间的差异非常微小。在这种情况下，蛋白质更好地表示为“类天然”结构的热力学系综，而不仅仅是作为一个单一的静态低能结构。工作与这个概念，我们引入了一种新的FIRST为基础的方法来预测刚性/柔性的蛋白质合奏（i）平均从整个合奏的氢键强度和（ii）通过细化的数学模型的氢键。此外，我们结合我们的第一合奏刚性预测与合奏溶剂可及性数据的骨干酰胺，并提出了一种新的计算方法，它使用刚性和溶剂可及性预测氢氘交换（HDX）。为了验证我们的预测，我们报告了一个新的网站特定的HDX实验，其特征在于本地结构合奏的酰基磷酸酶从超嗜热硫化叶菌solfataricus（SSO AcP）。HDX数据所观察到的子结构构象动力学，是密切匹配的第一合奏刚度的预测，这是无法实现使用传统的单“快照”刚度分析。此外，计算预测的区域，保护HDX和那些进行交换是非常好的协议与实验HDX配置文件的SSO AcP。
2013-05-08 physics.bio-ph q-bio.BM q-bio.QM
Towards a Unified Framework for Determining Conformational Ensembles of Disordered Proteins
针对无序蛋白质结构表征的挑战，提出一个整合先进实验与计算方法的统一框架，包含数据获取、系综生成和验证三个模块，以确保准确可重复地确定其构象系综，并指出力场准确性等开放挑战。
2025-08-12 q-bio.BM q-bio.QM
Structural ensembles of disordered proteins from hierarchical chain growth and simulation
紊乱的蛋白质和核酸在细胞功能和疾病中起关键作用。在这里，我们回顾了最近的进展，在计算探索的构象动力学的柔性生物分子。我们专注于分层链增长（HCG）从片段库建立原子分子动力学模拟。HCG以统计学上可重复的方式将链片段组合成全长原子详细的生物分子结构的集合。输入片段结构通常从分子动力学模拟收集，但也可以来自结构数据库。实验数据可以在链条装配期间和之后进行整合。应用于神经变性相关蛋白$α$ -突触核蛋白、tau和TDP-43，包括作为缩合物，说明了HCG的使用。最后，我们强调了与基于AI的结构建模的新兴联系。
2022-10-28 physics.bio-ph physics.chem-ph q-bio.BM
Demonstrated convergence of the equilibrium ensemble for a fast united-residue protein model
由于蛋白质全原子模拟的时间尺度限制，人们对粗粒度方法产生了浓厚的兴趣。一些方法，如“决议交换”，[E。Lyman等人，物理修订信函96，028105（2006）]可以加速正则全原子采样，但需要适当分布的粗糙系综。因此，我们证明，完全采样确实可以实现在一个充分简化的蛋白质模型，最近开发的收敛性分析验证。该模型考虑了蛋白质骨架的几何形状，刚性肽平面根据原子定义的二面角旋转，但每个残基只有两个自由度（phi和psi二面角）。我们的收敛性分析表明，小蛋白质（在我们的测试中多达89个残基）可以在不到一周的时间内在单个处理器上模拟超过50个“结构去相关时间”。我们表明，波动行为是合理的，以及讨论的应用程序，限制和扩展的模型。
2007-03-24 physics.bio-ph physics.comp-ph q-bio.BM
The eBDIMS path-sampling server: generation, classification and interactive visualization of protein ensembles and transition pathways in 2D-motion space
最近兴起的冷冻EM和X射线高通量技术提供了大量的新结构被困在不同的构象。了解蛋白质如何在不同构象之间转换，以及它们在功能方面如何相互关联并不简单，并且高度依赖于正确的自由度集合的选择。在这里，我们提出了eBDIMS服务器，一个在线工具和软件的结构合奏和重建的过渡途径，使用粗粒度（CG）模拟的自动分类。服务器生成两种蛋白质构象之间的CG路径，以及基于实验结构的主成分（PC）的简化2D运动景观中的表示。对于构象丰富的系综，PC提供了强大的反应坐标自动结构分类，检测的途径上的中间体和验证的计算机途径。当可用结构的数量较少或采样有限时，正常模式（NM）为轨迹分析提供替代运动轴。路径生成eBDIMS方法可在用户友好的网站上获得：https://login.biophysics.kth.se/eBDIMS/或作为独立软件。该服务器集成了一个强大的交互式图形界面，用于同时可视化2D运动空间和3D分子图形中的过渡路径，这极大地促进了不同构象之间关系的探索。
2018-03-19 q-bio.BM
Applied causality to infer protein dynamics and kinetics
University of Maryland, College Park（马里兰大学帕克分校）；University of Copenhagen（哥本哈根大学）
本文利用AlphaFold2和因果模型推断蛋白质构象动力学，揭示MSA深度与时间尺度的反比关系。
2025-12-19 physics.bio-ph q-bio.BM
A Standardized Benchmark for Machine-Learned Molecular Dynamics using Weighted Ensemble Sampling
Baskin Engineering, University of California - Santa Cruz, Santa Cruz, CA（加州大学圣克鲁兹分校贝斯基克工程学院）
本文提出基于WESTPA加权系综与TICA坐标的模块化蛋白质MD基准框架，支持经典力场和机器学习模型，提供19余项指标及9蛋白数据集，以实现可复现的严格比较。
2025-10-20 cs.LG q-bio.BM
Generative Modeling of Full-Atom Protein Conformations using Latent Diffusion on Graph Embeddings
Signal Processing Laboratory (LTS2), EPFL, Lausanne, Switzerland（信号处理实验室（LTS2），瑞士洛桑联邦理工学院）；Institute of Bioengineering, EPFL, Lausanne, Switzerland（生物工程研究所，瑞士洛桑联邦理工学院）；Bioinformatics Group, University & Research Wageningen, The Netherlands（生物信息学组，荷兰瓦赫宁根大学及研究学院）；Ludwig Institute for Cancer Research, Lausanne, Switzerland（癌症研究路易斯研究所，瑞士洛桑）
本文提出LD-FPG框架，利用ChebNet图神经网络与潜扩散模型从MD轨迹生成全原子蛋白质构象系综，在D2R数据集上以高保真度重现结构并恢复二面角分布。
2025-08-18 cs.LG q-bio.BM
Representation choice shapes the interpretation of protein conformational dynamics
研究探讨了表征选择对蛋白质构象动态分析的影响，提出Orientation features方法，并开发ManiProt库以支持多表征比较。
2026-04-01 cs.LG q-bio.BM
Interpretable machine learning of amino acid patterns in proteins: a statistical ensemble approach
Università di Padova（帕多瓦大学）；INFN（意大利国家核物理研究院）
本文提出一种统计集成方法整合机器学习模型的解释，利用受限玻尔兹曼机揭示α-螺旋和β-折叠末端的五氨基酸序列模式，发现氨基酸在二级结构两亲性模式中的意外作用规律。
2023-03-27 cond-mat.stat-mech cs.LG q-bio.BM
Multiscale Visual Drilldown for the Analysis of Large Ensembles of Multi-Body Protein Complexes
在研究多体蛋白质复合物时，生物化学家使用计算工具，可以提出数百或数千种可能的空间构型。然而，这是不可行的实验验证超过只有一个非常小的子集。在本文中，我们提出了一种新的多尺度可视化钻取方法，该方法是与蛋白质组学专家紧密合作设计的，可以系统地探索配置空间。我们的方法利用了数据的层次结构--从蛋白质复合物的整体构型到单个构型、它们的接触界面和相互作用的氨基酸。我们的新解决方案基于交互式链接的2D和3D视图，用于各个层次结构级别，在每个级别上，我们提供一组选择和过滤操作，使用户能够缩小需要手动检查的配置数量。此外，我们还提供了一个专用的过滤器界面，为用户提供了所应用的过滤操作的概述，并使他们能够检查其对所探索的合奏的影响。通过这种方式，我们维护了探索过程的历史，从而使用户能够返回到探索的早期点。我们证明了我们的方法的有效性，由合作蛋白质组学专家进行的两个案例研究。
2019-07-09 cs.HC q-bio.BM
Learning conformational ensembles of proteins based on backbone geometry
Max Planck Institute for Polymer Research（马克斯·普朗克聚合物研究所）；Heidelberg Institute for Theoretical Studies（海德堡理论研究所）；IWR, Heidelberg University（海德堡大学IWR中心）；SciLifeLab and DBB at Stockholm University（斯德哥尔摩大学SciLifeLab和DBB中心）；Karlsruhe Institute of Technology（卡尔斯鲁厄技术大学）
针对现有蛋白质构象采样模型依赖进化信息、适用性受限的问题，提出仅基于主链几何结构的流匹配模型BBFlow，其精度相当且速度快几个数量级，可迁移至多链蛋白质，还能处理进化信息稀缺的从头设计蛋白质。
2025-11-12 cond-mat.stat-mech cs.LG physics.comp-ph
Small-Angle X-Ray Scattering Signatures of Conformational Heterogeneity and Homogeneity of Disordered Protein Ensembles
物理上，预期非均聚多肽的无序集合是异质的;即，它们应该不同于那些均聚物的均质集合，所述均聚物集合在端到端距离$R_{\rm EE}$和回转半径$R_{\rm g}$的平均值之间具有基本上唯一的关系。然而，最近有人提出，无序蛋白质构象尺寸的小角X射线散射（SAXS）数据几乎完全可以通过均聚物系综来合理化。评估这一观点，链模型模拟被用来评估SAXS确定的分子形状因子（MFFs）方面的同质与异质系综的歧视性权力。这里采用的一般方法是不受任何假设合奏编码，在假设的异构合奏，我们评估不限于那些所需的简单的相互作用计划。我们对具有更窄分布的$R_{\rm EE}$和$R_{\rm g}$的某些异质系综的MFF的分析表明，虽然它们偏离同质系综的MFF，但差异可能相当小。值得注意的是，一些非球面性和$R_{\rm EE}$与均匀系综的那些完全不同的异质系综仍然可以表现出几乎相同的MFF，这表明SAXS MFF通常不能提供构象系综的基本性质的唯一表征。换句话说，总体到MFF的映射实际上是多对一的并且可能是非平滑的。杂聚物的变化的$R_{\rm EE}$ -$R_{\rm g}$的关系，进一步展示了使用分析微扰理论在这里开发的灵活的杂聚物。我们的研究结果解释实验数据的分歧进行了讨论。
2021-06-09 cond-mat.soft q-bio.BM
Inverse problems with experiment-guided AlphaFold
针对现有蛋白质结构预测方法仅输出单一构象、忽略构象异质性的问题，研究提出将AlphaFold3等作为结构先验、结合实验数据进行后验推断的框架，可生成符合实验的构象集合，性能优于现有方法。
2025-06-16 q-bio.BM
Rare-event trajectory ensemble analysis reveals metastable dynamical phases in lattice proteins
我们探讨了动态大偏差的晶格杂聚物模型的蛋白质的轨迹采样的方式。我们发现存在的非平衡动力学相变之间的活动和不活动的动力学阶段，其性质取决于相互作用势的性质的轨迹合奏。当氨基酸序列引起的相互作用的完全异质性被保留时，如在完全相互作用模型或仅考虑天然相互作用的Gōs模型的异质版本中，过渡是在平衡天然状态和高度天然但动力学捕获状态之间。相比之下，对于均匀的Gō模型，其中有一个单一的自然能量，序列不起作用，动力学跃迁是展开态和自然态之间的静态双稳态的直接结果。在异质的情况下，天然活性和天然非活性状态，尽管它们的静态相似性，具有广泛变化的动态特性，它们之间的过渡甚至发生在晶格蛋白质的序列被设计成使它们最佳的文件夹。
2013-05-24 cond-mat.soft physics.bio-ph q-bio.BM
Aptamer-protein interaction prediction model based on transformer
提出基于Transformer的SelfTrans-Ensemble模型，整合序列与结构信息预测适配体-蛋白质相互作用，训练准确率98.9%，测试准确率88.0%，对序列突变敏感，可加速适配体筛选。
2025-06-19 q-bio.BM
Toward Drug-Target Interaction Prediction via Ensemble Modeling and Transfer Learning
Insilico Medicine Taiwan Ltd.（英科智能台湾有限公司）
药物-靶标相互作用（DTI）预测在药物发现中起着至关重要的作用，深度学习方法在该领域取得了最先进的性能。我们介绍了一种用于DTI预测的深度学习模型集成（EnsembleDLM）。EnsembleDLM只使用化合物和蛋白质的序列信息，它聚合了来自多个深度神经网络的预测。这种方法不仅在Davis和KIBA数据集中实现了最先进的性能，而且在跨不同生物活性类型和不同蛋白质类的跨域应用中也达到了最先进的性能。我们还证明了EnsembleDLM在新领域中具有良好的性能（Pearson相关系数和一致性指数> 0.8），大约50%的迁移学习数据，即，训练集的数据量是测试集的两倍。
2021-11-19 cs.LG q-bio.BM q-bio.QM
A Quantum Circuit Framework for Protein Ensemble-Level Energetics
Digital Futures Institute, University of Suffolk（萨福克大学数字未来研究所）；In-silico R&D, Evotec（Evotec公司计算机辅助研发部门）；University of Siegen（锡根大学）
该研究提出残基级门控量子电路框架，将氨基酸表示为两态量子比特，在Trp-cage等蛋白上重现能量分布，解析系综统计相关性，扩展量子蛋白建模至系综水平表征。
2026-08-13 cs.ET physics.bio-ph q-bio.BM
EigenFold: Generative Protein Structure Prediction with Diffusion Models
Massachusetts Institute of Technology（麻省理工学院）；University of Illinois（伊利诺伊大学）
EigenFold是一种基于扩散模型的蛋白质结构生成框架，通过将结构建模为谐振子系统实现级联分辨率采样，在保持高预测精度的同时有效捕捉构象集合与模型不确定性。
2023-04-05 cs.LG physics.bio-ph q-bio.BM
Beyond Ensembles: Simulating All-Atom Protein Dynamics in a Learned Latent Space
本文提出GLDP模块，通过比较三种传播器，展示自回归神经网络在模拟全部原子蛋白质动力学中的优越性。
2025-11-27 cs.AI q-bio.BM
Metropolis Algorithms in Generalized Ensemble
在复杂系统中，如自旋系统和蛋白质系统，在正则系综中的常规模拟将陷入能量局部极小的状态。我们采用广义集成算法，以克服这个多个最小的问题。描述了两种著名的广义集成算法，即多规范算法和复制交换方法。然后，我们提出了四个新的广义集成算法作为这两种方法的进一步扩展。用Potts模型、Lennard-Jones流体系统和蛋白质系统说明了新方法的有效性。
2003-08-06 cond-mat.stat-mech q-bio.BM
The physical foundation beneath protein generative modeling
Stanford University（斯坦福大学）
本综述指出蛋白质生成建模虽用生成模型提升了结构采样效率，但存在非物理特征与分布外失效问题，提出尊重大分子物理原理、结合物理表示与实验数据是功能蛋白质设计生成建模的基础。
2026-09-07 q-bio.BM
Universality and diversity of folding mechanics for three-helix bundle proteins
在这项研究中，我们评估，在全原子的细节，折叠过程的两个小螺旋蛋白，B结构域的蛋白A和Villin头。折叠动力学研究进行了大量的从头计算蒙特卡罗折叠模拟使用一个单一的可转移的所有原子势。使用这些轨迹，我们研究的弛豫行为，二级结构的形成，和过渡态合奏（TSE）的两种蛋白质，并比较我们的结果与实验数据和以前的计算研究。为了获得一个详细的结构信息的折叠动力学视为一个合奏过程，我们进行聚类分析程序的基础上图论。此外，使用严格的pfold分析来获得TSE的代表性样品，并且对于蛋白A，获得了实验和模拟FI值之间的良好定量一致性。Fi值的Villin也得到了，并留下作为预测，以供将来的实验测试。我们的分析表明，双螺旋发夹是一种常见的部分稳定的结构基序，在研究的蛋白质中进入TSE之前形成。这些结果与我们早期的研究Engrailed Homeodomain和最近的实验研究提供了一个全面的，原子级的图片折叠力学的三螺旋束蛋白质。
2007-11-30 q-bio.BM
ProtScape: A molecular structure and energy-aware representation for protein conformation generation
Yale University（耶鲁大学）；Boise State University（博伊西州立大学）；University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
提出 ProtSCAPE 深度学习架构，融合几何散射变换与双重 Transformer 注意力，从 MD 模拟中学习多尺度、时间连贯的蛋白质轨迹潜在表示。
2026-10-01 cs.LG physics.chem-ph q-bio.BM
Determining the optimal structural resolution of proteins through an information-theoretic analysis of their conformational ensemble
University of Trento（特伦托大学）；University of Birmingham（伯明翰大学）
本研究提出一种无监督信息论框架，可确定描述蛋白质构象空间所需的最少原子数，发现最优保留原子数与系统大小线性相关且受构象探索程度影响，为蛋白质多尺度建模提供了新准则。
2025-10-22 cond-mat.soft cond-mat.stat-mech q-bio.BM
Designability of alpha-helical Proteins
典型的蛋白质结构是连接的α-螺旋和/或β-链的紧密堆积。我们已经开发出一种方法，用于生成一组给定的螺旋和链可以形成的紧凑结构的合奏。该方法进行了测试的结构组成的四个α-螺旋连接短转弯。所有这些天然的四螺旋束，在自然界中看到的短转弯连接，复制到更接近于3.6埃每个残基内的合奏。由于没有天然对应物的结构可能是从头计算结构设计的目标，因此使用疏水能量评估系综中每个结构的可设计性-定义为具有该结构作为其最低能量状态的序列的数量。对于四个α-螺旋的情况下，出现了一小组高度可设计的结构，其中大多数在已知的四螺旋折叠家族中具有类似物，但是确定了几种新颖的填充和拓扑结构。
2002-06-20 cond-mat.soft cond-mat.stat-mech q-bio.BM
Coarse-grained molecular simulations of allosteric cooperativity
蛋白质和配体之间的相互作用通常伴随着热可及构象的群体的重新分布。蛋白质的功能能量景观的这种动态响应使得蛋白质能够调节结合亲和力并控制对配体浓度的结合敏感性。在本文中，我们调查的结合亲和力和结合两个钙离子的钙调素（CaM）的每个域的变构协同性的结构起源，通过模拟一个简单的粗粒度模型。在这个模型中，蛋白质的开放和封闭的构象系综之间的构象转换进行了明确的模拟和配体的结合和unbinding内的大典Ensemble隐式处理。配体结合是协同的，因为结合位点在结合时通过主要构象系综的移位而偶联。经典的Monod-Wyman-Changeux变构模型与适当的结合自由能的开放和封闭的合奏准确地描述了模拟的结合热力学。模拟结果表明，CaM的两个结构域具有不同的结合亲和力和协同性。特别地，C-末端结构域以比N-末端结构域更高的亲和力和更大的协同性结合钙。从结构的角度来看，单个结合环的亲和力敏感地取决于环与结合系综中配体的结构相容性，以及未结合系综中结合位点的构象柔性。
2016-03-11 physics.bio-ph q-bio.BM
JAMUN: Bridging Smoothed Molecular Dynamics and Score-Based Learning for Conformational Ensembles
Massachusetts Institute of Technology（麻省理工学院）；Prescient Design, Genentech（基因泰克先见设计）
针对分子动力学采样构象系综效率低的问题，提出JAMUN方法，在平滑噪声空间中进行MD，利用行走-跳跃采样，实现比传统MD快一个数量级的系综生成，并具备对训练外系统的迁移能力。
2025-10-23 cs.LG physics.bio-ph q-bio.BM
A clustering-based biased Monte Carlo approach to protein titration curve prediction
在这项工作中，我们开发了一种有效的方法来计算系统中的整体平均值与实体之间的成对添加剂充满活力的相互作用。涉及配置空间的完全枚举的方法导致指数复杂性。采样方法，如马尔可夫链蒙特卡罗（MCMC）算法已被提出来解决这些问题的指数复杂性，然而，在某些情况下，显着的能量耦合实体之间存在，这种算法的效率可能会降低。我们使用了一种策略，以提高MCMC的效率，利用集团结构的相互作用能矩阵偏置的采样。我们追求两个不同的计划有偏见的MCMC运行，并表明它们是有效的MCMC计划。我们使用合成和真实世界的系统，以显示我们的偏MCMC方法相比，定期MCMC方法的性能改善。特别是，我们将这些算法的问题估计质子化系综平均值和滴定曲线的蛋白质中的残基。
2020-10-10 q-bio.BM
DiAMoNDBack: Diffusion-denoising Autoregressive Model for Non-Deterministic Backmapping of Cα Protein Traces
Pritzker School of Molecular Engineering, University of Chicago（芝加哥大学普利兹克分子工程学院）
本研究提出自回归去噪扩散模型DiAMoNDBack，可从仅含Cα坐标的粗粒度蛋白质表征逐残基恢复全原子细节，在多基准测试中取得最优重建性能，且已开源。
2023-07-23 cs.LG q-bio.BM stat.ML
Vibrational energy relaxation in proteins
综述了蛋白质振动能弛豫的相关理论。用两种理论方法研究了细胞色素c中一种选择模式的VER。一种是平衡模拟方法与量子校正因子，另一种是简化模型的方法，它描述的蛋白质作为一个合奏的正常模式通过非线性耦合元件相互作用。这两种方法导致在室温下的蛋白质中的CD拉伸模式的VER时间（亚ps）的估计。理论预测与Romesberg小组的实验数据一致。展望了蛋白质中VER的时间尺度和机制的详细研究的未来方向。
2005-01-18 q-bio.BM
Spectral Diffusion for Protein Dynamics
University of Oxford（牛津大学）；Copenhagen University（哥本哈根大学）；Bayer（拜耳）
研究针对蛋白质动力学计算查询，提出用傅里叶变换的新物理信息表示，通过光谱域扩散分离动力学，经结构和温度条件光谱体积去噪，训练的DynaMode模型性能良好。
2026-07-07 q-bio.BM q-bio.QM
Artificial intelligence techniques for integrative structural biology of intrinsically disordered proteins
Argonne National Laboratory（阿贡国家实验室）；University of Chicago（芝加哥大学）；University of Pittsburgh（匹兹堡大学）
我们概述了人工智能（AI）和机器学习（ML）技术在内在无序蛋白（IDP）集成结构生物学方面的最新进展。IDP挑战传统的蛋白质结构-功能范式，通过调整它们的构象以响应特异性结合伴侣，导致它们介导多样且通常复杂的细胞功能，如生物信号传导、自组织和区室化。因此，对传统的结构测定技术来说，获得对其功能的机械见解是具有挑战性的。通常，科学家们不得不依靠从各种实验技术中获得的零碎证据来描述其功能机制。多尺度模拟可以帮助弥合关于IDP结构功能关系的关键知识差距-然而，这些技术在解决IDP构象集合中的涌现现象方面也面临挑战。我们认为，可扩展的统计推断技术可以有效地整合从多种实验技术以及模拟收集的信息，从而提供访问这些新兴现象的原子细节。
2020-12-01 cs.AI q-bio.BM
A practical guide to the simultaneous determination of protein structure and dynamics using metainference
精确的蛋白质结构系综可以用元参比来确定，元参比是一种贝叶斯推断方法，它将实验信息与系统的先验知识相结合，并处理所有来源的不确定性和误差以及系统异质性。此外，元推理可以使用元自洽方法来实现，这使得需要大量构象采样的复杂生物系统的计算研究成为可能。在本章中，我们提供了一个使用开源PLUMED库的ISDB模块执行和分析元自组织元会议模拟的分步指南，以及一系列避免常见错误的实用技巧。具体来说，我们将指导读者学习如何通过结合最先进的分子力学力场与核磁共振数据，包括化学位移，标量耦合和残余偶极耦合，来模拟小无序肽的结构系综。
2019-01-23 q-bio.BM q-bio.QM
Protein Structure Prediction: The Next Generation
在过去的10-15年里，从统计力学的角度对蛋白质折叠的化学反应有了普遍的认识。从基于能量景观思想的蛋白质折叠动力学中吸取的经验教训有益于蛋白质结构预测，特别是粗粒度模型的开发。我们调查的结果从盲目的结构预测。我们探讨如何第二代预测能量函数可以通过引入信息从以前模拟的结构合奏。这一程序依赖于一个漏斗形的能源景观的假设，符合最小挫折的原则。与基于序列比对选择的实验蛋白质结构相比，第一代模拟结构为关联记忆能量函数提供了改进的输入。
2006-06-12 q-bio.BM
Predicting directional flexibility in proteins
DBB and SciLifeLab at Stockholm University（斯德哥尔摩大学生物生物学与系统生物学中心及科学生命实验室）；Max Planck Institute for Polymer Research（马克斯·普朗克聚合物研究所）；Heidelberg Institute for Theoretical Studies（海德尔堡理论研究所）；IWR, Heidelberg University（海德尔堡大学计算与数学研究所）
针对蛋白质动力学预测成本高的问题，提出SE(3)等变图神经网络BackFlip-2，直接从平衡结构预测方向性柔性等动力学描述符，精度媲美大模型且速度提升多个数量级。
2026-09-09 q-bio.BM
Sampling of conformational ensemble for virtual screening using molecular dynamics simulations and normal mode analysis
目的：分子动力学模拟和简正模分析是产生用于配体对接和虚拟筛选的受体构象系综（RCE）的成熟方法。在这里，我们报告新的快速分子动力学为基础的和正常模式分析为基础的协议相结合的构象口袋分类，以有效地产生RCE。材料与方法：我们评估了我们的协议上的两个良好的特征蛋白质的目标，显示当地的活性位点的灵活性，二氢叶酸还原酶和大的集体运动，CDK2。通过在不同化学诱饵的数据集中区分二氢叶酸还原酶和CDK2的已知配体来验证RCE的性能。结果\&讨论：我们的研究结果表明，不同的模拟协议可以有效地产生RCE取决于不同种类的蛋白质的灵活性。
2016-02-16 q-bio.BM q-bio.QM
Selection originating from protein stability/foldability: Relationships between protein folding free energy, sequence ensemble, and fitness
本研究通过可逆马尔可夫过程推导序列平衡系综的玻尔兹曼分布，结合蛋白质折叠理论建立适应度、序列势与折叠自由能的等价关系，估算14个蛋白质结构域的相关参数，验证选择温度与$K_a/K_s$的负相关性，支持近中性进化理论。
2024-08-19 q-bio.BM q-bio.PE
Conformational Heterogeneity and FRET Data Interpretation for Dimensions of Unfolded Proteins
一个数学物理上有效的配方是需要从单分子Förster共振能量转移（smFRET）来推断无序蛋白质构象的性质。传统的方法假定一个均匀的构象系综推断的构象尺寸可能是非物理的。当所有可能的-异构以及均匀-构象分布考虑到没有预先判断，一个单一的值的平均转移效率$\langle E\rangle$之间的染料在两个链端通常是一致的高度多样化，多个值的平均回转半径$\langle R_{\rm g}\rangle$。在这里，我们利用无偏的构象统计从一个粗粒度的显式链模型建立一个通用的逻辑框架来量化这种基本的模糊性smFRET推理。作为一个应用程序，我们解决了长期存在的争议，关于变性剂依赖性的$\langle R_{\rm g}\rangle$的未折叠的蛋白质，专注于蛋白质L作为一个例子。常规的smFRET推断得出结论，未折叠的蛋白L的$\langle R_{\rm g}\rangle$对[GuHCl]高度敏感，但是来自小角X射线散射（SAXS）的数据表明与[GuHCl]无关的接近恒定的$\langle R_{\rm g}\rangle$。引人注目的是，本分析表明，尽管在[GuHCl] = 1 M和7 M下蛋白L的报告$\langle E\rangle$值分别为0.75和0.45，差异非常大，但与这两个$\langle E\rangle$值一致的贝叶斯$R^2_{\rm g}$分布重叠多达$75\…
2017-08-01 q-bio.BM
