.fav_bar { float:left; border:1px solid #a7b1b5; margin-top:10px; margin-bottom:20px; } .fav_bar span.fav_bar-label { text-align:center; padding:8px 0px 0px 0px; float:left; margin-left:-1px; border-right:1px dotted #a7b1b5; border-left:1px solid #a7b1b5; display:block; width:69px; height:24px; color:#6e7476; font-weight:bold; font-size:12px; text-transform:uppercase; font-family:Arial, Helvetica, sans-serif; } .fav_bar a, #plus-one { float:left; border-right:1px dotted #a7b1b5; display:block; width:36px; height:32px; text-indent:-9999px; } .fav_bar a.fav_de { background: url(../images/icons/de.gif) no-repeat 0 0 #fff } .fav_bar a.fav_de:hover { background: url(../images/icons/de.gif) no-repeat 0 0 #e6e9ea } .fav_bar a.fav_acm_digital { background:url(‘../images/icons/acm_digital_library.gif’) no-repeat 0px 0px #FFF; } .fav_bar a.fav_acm_digital:hover { background:url(‘../images/icons/acm_digital_library.gif’) no-repeat 0px 0px #e6e9ea; } .fav_bar a.fav_pdf { background:url(‘../images/icons/pdf.gif’) no-repeat 0px 0px #FFF; } .fav_bar a.fav_pdf:hover { background:url(‘../images/icons/pdf.gif’) no-repeat 0px 0px #e6e9ea; } .fav_bar a.fav_more .at-icon-wrapper{ height: 33px !important ; width: 35px !important; padding: 0 !important; border-right: none !important; } .a2a_kit { line-height: 24px !important; width: unset !important; height: unset !important; padding: 0 !important; border-right: unset !important; border-left: unset !important; } .fav_bar .a2a_kit a .a2a_svg { margin-left: 7px; margin-top: 4px; padding: unset !important; }
华盛顿大学（UW）和比利时根特大学的科学家们利用深度学习技术增强了当前的基于能量的物理模型在全新计算蛋白质设计中的应用。
研究人员将DeepMind的AlphaFold 2和UW开发的RoseTTA折叠软件纳入深度学习增强的全新蛋白质结合物设计协议中。他们在德克萨斯先进计算中心的Frontera超级计算机上并行运行了600万次潜在结合蛋白质结构之间的相互作用，并使用UW的ProteinMPNN软件生成蛋白质序列神经网络，比之前最好的软件快了200倍。
结果显示，设计的结构与目标蛋白质结合的速度提高了10倍，尽管UW的Brian Coventry表示他们必须将速度再提高三个数量级。这项工作发表在《自然通讯》杂志上。
来自德克萨斯先进计算中心的完整文章
摘要版权所有 © 2023 SmithBucklin，华盛顿特区，美国 