据悉，新浪拟分拆无线业务并上市
06-17
近日，Google DeepMind、Isomorphic Labs等团队开发的AlphaFold 3在Nature发表，引起业界广泛关注。
与上一代方法相比，AlphaFold 3将预测范围扩大到几乎所有生命分子及其相互作用，这是生成式AI在生命科学领域的又一重要里程碑。
其模型最大的创新之一是利用Big Fire的生成式AI模型——扩散模型（AlphaFold 2是判别式AI模型），直接生成每个原子的3D坐标。
今天，我们与大家分享阿里云合作伙伴BIO Geometry在高分子设计领域的最新进展。
基于几何深度学习的基本模型和最新的流匹配生成模型（Flow Matching）[1]，Biogeometry开发了新一代抗体设计生成AI模型GeoFlow，可同时用于抗原抗体复合物时间结构预测和从头抗体设计。
在预测抗原抗体复合物结构的任务上，GeoFlow的表现达到了与AlphaFold 3类似的水平。
生成式AI引领下一代大分子设计。
如果说传统的判别式人工智能是音乐评论家，可以识别和评估歌曲的节奏、风格和编曲，那么生成式人工智能就是歌手，可以创作新的音乐。
工作。
从评估数据到生成数据，人工智能的应用场景得到了极大的拓展。
例如，在结构预测场景中，生成式AI可以更快地采样更多构象；在蛋白质设计场景中，生成式人工智能可以更有效地探索蛋白质空间并设计具有预期功能的复杂蛋白质分子。
作为生成式AI在大分子领域应用的先行者，BIO Geometry在扩散模型（建模从噪声到分布的过程）、流匹配（建模从分布到分布的过程）等生成模型方面取得了巨大的成果。
在AI技术方面有着深厚的积累。
扩散生成模型早期主要用于图像生成（最近也用于3D视频生成，例如Sora）。
Biogeometry核心团队早在2007年就使用扩散模型进行分子三维结构生成[2,3]，是第一个使用扩散模型进行分子结构建模的团队。
其中，关键论文GeoDiff每年都是AI领域被引论文前50名之一[4]。
基于这些早期技术的积累，BIO Geometry开发了最新的生成式AI抗体设计大模型GeoFlow。
GeoFlow模型基于几何深度学习架构和最新的流匹配生成模型（flowmatch），可用于抗原抗体复合物结构预测和抗体设计两项关键任务。
在原子水平上模拟抗原抗体相互作用力是这两项任务的核心难点。
与现有的Transformer架构不同，GeoFlow采用了基本的几何深度学习模型，可以更好地建模三维空间中的原子与原子关系。
在发电模型选择方面，GeoFlow采用了最新的流量匹配模型。
与扩散生成模型相比，流匹配生成模型的训练和推理更加高效、鲁棒。
图：GeoFlow模型架构图。
GeoFlow既可以用于抗原抗体复合物结构预测（输入抗原结构/序列和完整抗体序列，模型生成抗原抗体复合物结构），也可以用于抗体设计（输入抗原结构和抗体序列，进行设计）。
CDR区由掩模表示，模型生成复杂结构和CDR区序列）。
预测抗原抗体复合物结构的能力与AlphaFold 3相当。
对于GeoFlow的表现，BIO Geometry对预测抗原抗体复合物结构的任务进行了评估。
抗原抗体复合物结构预测在抗体药物的发现中起着至关重要的作用。
然而，无论是基于能量函数的传统方法（如HDock和MOE）还是基于深度学习的预测模型（如AlphaFold 2 Multimer），目前精度都不太理想。
在由66个抗原抗体复合物结构组成的测试集上（将于今年晚些时候发布），BIO几何模型具有Top-1的成功率（模型得分最高的结构的DockQ级别为“可接受”或以上）被认为是成功的）达到了43.9%，与AF3相同，大约是AF2 Multimer的两倍。
传统的分子对接方法虽然可以生成多种可能的结构，但其评分精度较低，实际应用价值相当有限。
抗原抗体复合物预测评估结果 PDB 8BLQ（左）、8DOK（右） 各模型预测结果对比 抗体从头生成及验证 与 AF3 相比，GeoFlow 不仅可以用于预测抗原抗体复合物的结构；抗体的从头设计和优化。
对于传统的人工智能方法来说，从头开始设计高分子是非常困难的。
主要原因是难以快速采样高质量样本，大量低质量样本只能通过判别模型从浩瀚的分子空间中进行评估。
这个过程就像大海捞针一样。
生成式人工智能的出现给高分子设计带来了革命性的机遇。
给定抗原结构和特定表位，GeoFlow可以生成全新的抗体分子。
基于GeoFlow从头生成抗体的示意图以HER2靶点为例。
基于已上市抗体药物赫赛汀的结合表位，Biogeometry利用GeoFlow生成了小型抗体文库，然后利用噬菌体文库进行筛选。
获得的10个候选序列中， ? 结合活性：ELISA实验中有6个分子与Herceptin结合相当，达到纳摩尔水平，BLI结果显示1号和3号分子的亲和力甚至比1号分子的亲和力还要高2-3倍。
赫赛汀。
倍数改进 ? 结合表位：竞争 ELISA显示这6个分子的结合与Herceptin具有较强的竞争性，推测其结合表位与Herceptin一致。
上述结果显示了生成式人工智能在高分子从头设计领域的广阔应用前景。
作为数字智能生物领域的先驱，BIO Geometry 正在向更大的设计领域、更困难的目标和更高的亲和力发起冲击。
BIOGEOMETRY开放模型非商业化测试 BIOGEOMETRY的生成式AI大模型已经涵盖了大分子设计、筛选和转化的各个环节，并通过GeoBiologics一站式抗体发现平台带给合作伙伴[5]，取得了实实在在的效益，该平台现已已部署于BIO Geometry战略合作伙伴阿里云平台。
为了给更多用户赋能生成式AI，BIO Geometry将开放GeoFlow模型用于抗原抗体复合物结构预测的非商业测试。
只需登录 geobiologics-lite.biogeom.com 并验证您的电子邮件即可体验。
每周支持预测8种化合物，每个任务输入支持一种氨基酸~展望未来，BIO Geometry将继续利用前沿的生成式AI算法深入探索生物医药和合成生物学行业，与合作伙伴一起建设更美好的未来。
绿色、智慧、健康的美好世界。
关于 BioGeometry BioGeometry 是一家人工智能驱动的生成式蛋白质设计研发平台公司。
该公司通过构建生成人工智能（AIGC）大型模型来理解生命语言，构建自然语言和蛋白质语言的大型多模态模型，重构蛋白质药物发现和设计流程，并创建可编程蛋白质用于生物医学和生物制造。
。
公司由顶尖人工智能医药科学家唐健博士创立，人工智能之父、图灵奖获得者 Yoshua Bengio 担任首席科学顾问。
目前公司已建成人工智能大分子设计平台和高通量湿法实验验证平台两大基础平台，实现干湿实验闭环，正在赋能合作伙伴实现精准高效的大分子药物设计和优化。
参考链接[1] Lipman, Yaron, et al. “生成建模的流程匹配。
”第 11 届学习表征国际会议（ICLR）[2] Shi C，Luo S，等。
“学习分子构象生成的梯度场。
”第38届国际机器学习会议（ICML）[3] Xu M，等。
“Geodiff：分子构象生成的几何扩散模型。
”第十届学习表示国际会议 (ICLR)[4] GeoBiologics：用于抗体设计的生成人工智能平台。
艾布拉姆森、乔什等人。
“使用 AlphaFold 3 准确预测生物分子相互作用的结构。
”性质（）：1-3。
版权声明：本文内容由互联网用户自发贡献，本站不拥有所有权，不承担相关法律责任。如果发现本站有涉嫌抄袭的内容，欢迎发送邮件 举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。
标签：
相关文章
06-17
06-18
06-18
06-17
06-18
最新文章
Android旗舰之王的过去与未来
智能手表不被开发、AR眼镜被推迟，Meta的产品经历了一波三折
为什么Cybertruck是特斯拉史上最难造的车？
更新鸿蒙3后，文杰允许你在车里做PPT了
新起亚K3试驾体验：追求“性价比”，韩系汽车仍不想放弃
阿维塔15登场！汽车配备了增程动力，理想情况下会迎来新的对手吗？
马斯克宣布创建 ChatGPT 竞争对手！ OpenAI的CEO给他泼了冷水， GPT-5可能会发生巨大变化
骁龙无处不在，是平台也是生态