AI蛋白質(zhì)設(shè)計(jì)前沿教程，AAAI’25三大機(jī)構(gòu)攜手4小時(shí)全面剖析

衡宇 2025-02-25 13:56:38 來(lái)源：量子位

加拿大魁北克省人工智能研究所Mila 投稿

量子位 | 公眾號(hào) QbitAI

精準(zhǔn)預(yù)測(cè)和設(shè)計(jì)蛋白質(zhì)的序列、結(jié)構(gòu)及模擬其動(dòng)態(tài)變化，一直是科學(xué)界的重大挑戰(zhàn)。

在即將舉行的AAAI 2025會(huì)議上，加拿大魁北克省人工智能研究所Mila、美國(guó)東北大學(xué)和MIT的學(xué)者將組織一場(chǎng)主題為“人工智能在蛋白質(zhì)設(shè)計(jì)中的應(yīng)用”的教程。

（文末附教程直通車）

綜觀當(dāng)下，AI與生命科學(xué)深度融合背景下，蛋白質(zhì)研究正經(jīng)歷前所未有的AI驅(qū)動(dòng)變革。

作為生命活動(dòng)的核心，蛋白質(zhì)在細(xì)胞結(jié)構(gòu)構(gòu)建、物質(zhì)運(yùn)輸和催化化學(xué)反應(yīng)中扮演著關(guān)鍵角色。如今，AI技術(shù)的介入，以前所未有的速度和力度，重塑了蛋白質(zhì)研究的格局，帶來(lái)了無(wú)限可能。

這不僅加速了新藥研發(fā)和生物技術(shù)創(chuàng)新，也為解決環(huán)境和工業(yè)領(lǐng)域的挑戰(zhàn)提供了新的工具。

本次教程將全面回顧AI在蛋白質(zhì)預(yù)測(cè)與設(shè)計(jì)領(lǐng)域的最新進(jìn)展，探討當(dāng)前的研究成果和未來(lái)的發(fā)展方向。

同時(shí)，教程將展望AI在蛋白質(zhì)設(shè)計(jì)中的未來(lái)趨勢(shì)，討論可能面臨的挑戰(zhàn)和機(jī)遇。

無(wú)論是蛋白質(zhì)序列表示學(xué)習(xí)，還是結(jié)構(gòu)研究，AI都展現(xiàn)出巨大潛力。

本次教程中，主辦方將詳細(xì)介紹AI在蛋白質(zhì)序列、結(jié)構(gòu)和功能預(yù)測(cè)與設(shè)計(jì)中的應(yīng)用方法。通過生成模型進(jìn)行蛋白質(zhì)設(shè)計(jì)，甚至可以創(chuàng)造具有特定功能的新型蛋白質(zhì)。

教程希望參與者具備機(jī)器學(xué)習(xí)的基礎(chǔ)知識(shí)，但即使缺乏計(jì)算生物學(xué)或生物信息學(xué)經(jīng)驗(yàn)也無(wú)妨，課程將提供入門介紹，幫助大家了解這一交叉學(xué)科領(lǐng)域。

教程定于美東時(shí)間2月26日上午8:30至中午12:30在賓夕法尼亞州費(fèi)城會(huì)議中心117號(hào)房間舉行。

教程大綱：多維度解鎖蛋白質(zhì)設(shè)計(jì)奧秘

本次教程將從多個(gè)維度深入解析 AI 蛋白質(zhì)設(shè)計(jì)領(lǐng)域的關(guān)鍵問題、前沿方法和研究趨勢(shì)，具體內(nèi)容如下：

（一）序章：前沿洞察與基礎(chǔ)知識(shí)

本部分將重點(diǎn)介紹AI在蛋白質(zhì)研究領(lǐng)域取得的重大突破。

從早期探索到最新成果，AI 在蛋白質(zhì)研究中的每一步進(jìn)展都意義深遠(yuǎn)。

同時(shí)，將對(duì)蛋白質(zhì)的基本結(jié)構(gòu)、功能及其在生命活動(dòng)中的重要角色進(jìn)行科普講解。

最后，討論如何對(duì)蛋白質(zhì)數(shù)據(jù)進(jìn)行學(xué)習(xí)，為后續(xù)深入研究奠定堅(jiān)實(shí)基礎(chǔ)。

（二）蛋白質(zhì)表示學(xué)習(xí)：挖掘數(shù)據(jù)的潛在價(jià)值

本部分是教程的核心之一，將詳細(xì)介紹多種蛋白質(zhì)表示學(xué)習(xí)的方法。

在序列表示學(xué)習(xí)中，將深入探討自回歸語(yǔ)言模型、掩碼語(yǔ)言模型和擴(kuò)散語(yǔ)言模型，這些模型以不同方式對(duì)蛋白質(zhì)序列進(jìn)行編碼，提取關(guān)鍵信息。

結(jié)構(gòu)表示學(xué)習(xí)方面，幾何深度學(xué)習(xí)為研究蛋白質(zhì)的幾何結(jié)構(gòu)提供了新視角；GVP、GearNet等蛋白質(zhì)結(jié)構(gòu)編碼器，以及多種結(jié)構(gòu)預(yù)訓(xùn)練算法，從不同角度對(duì)蛋白質(zhì)結(jié)構(gòu)進(jìn)行學(xué)習(xí)和優(yōu)化。

多模態(tài)表示學(xué)習(xí)結(jié)合了序列、結(jié)構(gòu)、功能和文本等多種信息，模型如ESM-GearNet、SaProt、DPLM-2、ESM3、ProtST等，展示了多模態(tài)融合在蛋白質(zhì)研究中的強(qiáng)大能力。

最后，將介紹這些方法在蛋白質(zhì)理解任務(wù)、蛋白質(zhì)適應(yīng)性預(yù)測(cè)和抗體親和力優(yōu)化等方面的應(yīng)用。

（三）蛋白質(zhì)結(jié)構(gòu)和動(dòng)力學(xué)預(yù)測(cè)，探索分子動(dòng)態(tài)奧秘

蛋白質(zhì)結(jié)構(gòu)和動(dòng)態(tài)預(yù)測(cè)是研究中的核心問題之一。

本部分將介紹單鏈折疊（如 AlphaFold2、ESMFold）、側(cè)鏈預(yù)測(cè)（如 AttnPacker、DiffPack）和復(fù)合物預(yù)測(cè)（如 AlphaFold-Multimer、AlphaFold3）等前沿方法。

在蛋白質(zhì)構(gòu)象采樣方面，與會(huì)人員將探討玻爾茲曼生成器、基于粗粒度的方法、基于剛性框架的方法以及蛋白質(zhì)結(jié)構(gòu)語(yǔ)言模型。

在分子動(dòng)力學(xué)（MD）軌跡模擬中，將介紹神經(jīng)模擬器、條件轉(zhuǎn)移算子和軌跡生成器等前沿方法。

（四） 蛋白質(zhì)設(shè)計(jì)：開啟新型蛋白質(zhì)創(chuàng)造之門

在序列設(shè)計(jì)方面，主辦方將介紹無(wú)條件序列生成（如ProGen）和逆折疊（如ESM-IF、ProteinMPNN）的方法。

結(jié)構(gòu)設(shè)計(jì)中，F(xiàn)rameDiff、FrameFlow、Genie2、Chroma、RFDiffusion、FoldFlow、FoldFlow-2等模型將是討論的重點(diǎn)。

序列-結(jié)構(gòu)協(xié)同設(shè)計(jì)部分，ProtSeed、ProteinGenerator、MultiFlow、Protpardelle、DPLM-2 等模型將展示如何同時(shí)優(yōu)化蛋白質(zhì)的序列和結(jié)構(gòu)。

抗體設(shè)計(jì)將聚焦于RefineGNN、AbX等方法。

（五）總結(jié)與展望：共繪蛋白質(zhì)設(shè)計(jì)的未來(lái)藍(lán)圖

這一部分將系統(tǒng)回顧整個(gè)教程的核心內(nèi)容，梳理人工智能在蛋白質(zhì)設(shè)計(jì)領(lǐng)域的最新進(jìn)展與取得的成果。

此外，主辦方還將對(duì)該領(lǐng)域未來(lái)可能的發(fā)展趨勢(shì)進(jìn)行展望，深入探討前沿研究中可能遇到的挑戰(zhàn)及潛在的機(jī)遇。

最后，教程特別設(shè)置了互動(dòng)問答環(huán)節(jié)，以進(jìn)一步增進(jìn)交流、啟發(fā)思考，共同探索蛋白質(zhì)設(shè)計(jì)研究的新方向。

教程背后組織團(tuán)隊(duì)

本次教程由加拿大Mila教授唐建，和美國(guó)東北大學(xué)教授金汶功團(tuán)隊(duì)聯(lián)合組織。

唐建博士是加拿大魁北克省人工智能研究中心Mila副教授，該中心由圖靈獎(jiǎng)獲得者、“AI之父” Yoshua Bengio 創(chuàng)立。

他還是加拿大CIFAR AI講席教授、北京百奧幾何公司創(chuàng)始人兼首席執(zhí)行官。

此外，唐建是圖表示學(xué)習(xí)領(lǐng)域的知名學(xué)者，在深度生成模型、圖機(jī)器學(xué)習(xí)及其藥物發(fā)現(xiàn)應(yīng)用方面成果顯著。

他曾發(fā)表圖表示學(xué)習(xí)領(lǐng)域的經(jīng)典論文LINE（單篇引用次數(shù)超過6000次），并將這些技術(shù)開創(chuàng)性地應(yīng)用于藥物發(fā)現(xiàn)領(lǐng)域，發(fā)表了一系列極具影響力的代表作，包括最早用于分子圖的預(yù)訓(xùn)練算法InfoGraph、第一個(gè)用于分子三維結(jié)構(gòu)生成的擴(kuò)散生成模型ConfGF和GeoDiff，以及最早基于蛋白質(zhì)三維結(jié)構(gòu)的預(yù)訓(xùn)練模型之一GearNet。

他還與英偉達(dá)、Intel、IBM 等機(jī)構(gòu)共同開發(fā)了業(yè)內(nèi)首個(gè)專門針對(duì)藥物與蛋白質(zhì)的開源機(jī)器學(xué)習(xí)平臺(tái)TorchDrug和TorchProtein。相關(guān)研究發(fā)表于Nature、PNAS、Nature Communications、Nature Machine Intelligence、NeurIPS、ICML、ICLR等頂級(jí)會(huì)議與期刊。

同時(shí)，唐建還擔(dān)任 NeurIPS 和 ICML 的領(lǐng)域主席，以及機(jī)器學(xué)習(xí)領(lǐng)域著名期刊 Journal of Machine Learning Research?(JMLR)?的執(zhí)行編輯。

金汶功博士是美國(guó)東北大學(xué)Khoury計(jì)算機(jī)科學(xué)學(xué)院助理教授，同時(shí)擔(dān)任Broad Institute Eric and Wendy Schmidt 中心的訪問研究科學(xué)家。

他于MIT CSAIL獲得博士學(xué)位，導(dǎo)師為Regina Barzilay和Tommi Jaakkola。

在AI藥物發(fā)現(xiàn)領(lǐng)域的算法創(chuàng)新方面，金汶功團(tuán)隊(duì)等變神經(jīng)網(wǎng)絡(luò)、擴(kuò)散模型等多個(gè)方向有所建樹，開發(fā)出RefineGNN、Mol2Image等模型與算法，成果發(fā)表于NeurIPS、ICLR等頂會(huì)。

在藥物發(fā)現(xiàn)方面，團(tuán)隊(duì)成功發(fā)現(xiàn)了新型抗生素，成果發(fā)表在Cell和 Nature等。

在化學(xué)工程領(lǐng)域，團(tuán)隊(duì)還助力實(shí)現(xiàn)自動(dòng)化化學(xué)合成實(shí)驗(yàn)室，其開發(fā)的化學(xué)反應(yīng)結(jié)果預(yù)測(cè)算法精度達(dá)到化學(xué)家級(jí)別，相關(guān)成果發(fā)表于NeurIPS和Chemical Science等期刊。

教程鏈接：
https://deepgraphlearning.github.io/ProteinTutorial_AAAI2025/