预测|深势科技推出蛋白结构预测工具Uni-Fold:开源训练代码 提供测试接口( 二 )


在相同的测试条件下 , Uni-Fold的预测精度超越了华盛顿大学蛋白设计研究所David Baker教授课题组研发的RoseTTAFold , 与DeepMind官方发布的AlphaFold2模型接近 。 深势科技团队使用Uni-Fold对CASP14蛋白预测任务中的序列数据集进行了直接测试 , 平均Cα-lDDT达到82.6 。 可以说 , Uni-Fold是“训练公开版的AlphaFold2” , 而且硬件适配与效率更加优化 。
中科院院士、北京大学教授、深势科技首席科学顾问鄂维南评价道:“尽管DeepMind开源了推理代码 , 但模型的训练技术才是核心竞争力 。 在资源比较匮乏的情况下 , 深势科技团队在较短时间内实现模型训练、开源训练代码 , 这是很不容易的 。 深势科技在物理模型方面具备丰富的经验 , Uni-Fold进一步弥补了团队在数据驱动方面的短板 。 下一步 , 物理模型和数据驱动结合的解决方案将为蛋白结构和药物设计行业提供更好的基础 。 ”
深势科技也对Uni-Fold进行了进一步的开发和优化 , 集成于旗下自主研发的一站式计算辅助药物设计平台Hermite中 , 供用户使用 。 Hermite是根植于云计算的临床前药物设计全流程计算平台 , 致力于为药物科研工作者提供数据、算法、算力三位一体的一站式解决方案 。 在Uni-Fold前 , Hermite上已集成多个重量级功能 。 例如基于Uni-Fold等方法得到蛋白结构后进行蛋白的动力学模拟、结构精修或环区优化的RiD模块;在药物优化阶段比较不同分子与蛋白靶点结合活性差别的Uni-FEP模块 , 等等 。

预测|深势科技推出蛋白结构预测工具Uni-Fold:开源训练代码 提供测试接口
文章图片

图2 Uni-Fold在深势科技Hermite药物设计平台上的使用
在药物设计领域 , 结合Uni-Fold、RiD等AI辅助计算模拟的算法 , 以及算法与冷冻电镜等实验手段的结合 , 深势科技正在打造出一套模拟—AI—实验三者驱动的解决方案 , 赋能药物设计行业 , 加速从业者的药物研发进程 。
芝加哥丰田计算技术研究所的许锦波教授主攻机器学习、优化方法和计算生物学 , 也是深度学习预测蛋白质结构的先驱 。 他评价道:“针对AlphaFold未公开训练代码的局限性 , 深势科技敢于打破现状 , 率先公布训练代码 。 Uni-Fold的出现 , 让每个研究者都可以训练自己的模型 。 这无疑将进一步推动技术的发展 。 对整个蛋白质折叠领域来说 , 都是令人激动的消息 。 ”

推荐阅读