蛋白预测从数月缩短至数小时，MassiveFold出于AlphaFold而胜于AlphaFold3

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

编辑： KX

蛋白质结构预测：一个飞速发展的领域

蛋白质结构预测领域正蓬勃发展。生物技术研究高度依赖于发现正确的蛋白质结构来执行特定任务，这影响着几乎所有生物技术领域，从食品到药品，从时尚到生物燃料，从洗衣粉到农业。

AlphaFold 的革命性影响

AlphaFold 彻底改变了蛋白质结构预测，实现了单链和复杂蛋白质组装的建模。然而，它需要大量计算且耗时。

MassiveFold：AlphaFold 的优化版本

法国里尔大学和瑞典林雪平大学的科学家开发了 MassiveFold，这是 AlphaFold 的优化和可定制版本，可将蛋白质结构预测的计算时间从数月大幅缩短至数小时。

出色的性能

与 AlphaFold3 相比，比较分析表明 MassiveFold 可为多个 CASP15 靶标生成高质量的模型，甚至在某些情况下表现更佳。

增强蛋白质结构建模

MassiveFold 有效地增强了蛋白质和蛋白质组装的结构建模，降低了计算成本，提高了预测质量，并可在各种硬件设置中扩展。它可以在从单台计算机到大型 GPU 基础设施的任何设备上运行，充分利用所有计算节点。

发表

相关研究题为《MassiveFold：通过优化和并行化大规模采样揭示 AlphaFold 的隐藏潜力》，已于 11 月 11 日发表在《Nature Computational Science》上。

AlphaFold 的计算成本和时间消耗

1. AlphaFold 中的大规模采样提升了结构多样性，结合其高效的置信度排名，增强了单体结构和蛋白质组装的建模能力。
2. 然而，这种方法对 GPU 成本和数据存储提出了挑战。

MassiveFold：AlphaFold 的并行化版本

3. 为应对上述挑战，法国里尔大学的研究人员开发了 MassiveFold，它是 AlphaFold 的并行化、可定制版本，将计算任务分配到 CPU 和 GPU 之间，加快蛋白质结构预测。
4. MassiveFold 结合了 AlphaFold 的框架、AFsample 的增强采样和 ColabFold 的附加功能。
5. MassiveFold 是一个并行化引擎，可调用结构预测工具（如 AFmassive 或 ColabFold），并对结果进行后处理。
6. MassiveFold 包含 AlphaFold 已发布的所有神经网络模型，这些模型包含增加结构多样性的参数，并可指定仅保留最有前景的预测结果。
7. MassiveFold 可并行运行多个实例，每个 GPU 最多执行一次预测，充分利用可用计算基础设施，大幅缩短预测结果的获取时间。
8. MassiveFold 的安装和使用都很简单，只需使用 JSON 参数文件运行简单的命令行。
9. MassiveFold 采用了优化并行化，包括：在 CPU 上进行比对计算、在 GPU 上进行分批结构推断，以及在 CPU 上进行最终后处理步骤（收集结果、对预测排序、生成图表）。

怪兽AI数字人

数字人短视频创作，数字人直播，实时驱动数字人

44

查看详情

MassiveFold 的后处理汇总了所有预测结果并生成了多个图。

图 2： MassiveFold 使用 AFmassive 生成的用于 CASP15 多聚体靶标 H1140 结构预测的图表。

MassiveFold 通过优化采样参数、回收和 dropout，增强了蛋白质结构预测的多样性和置信度，从而为复杂靶标创建了高置信度的结构。例如，在 CASP15 H1140 靶标中，MassiveFold 通过扩展采样和应用无模板 dropout，生成了多个具有高置信度分数的不同结构。

1. 在 CASP15 靶标上对 MassiveFold 和 AlphaFold3 进行比较的测试表明，MassiveFold 的大规模采样方法为八个靶标中的七个生成了良好的模型，而 AlphaFold3 仅在八个靶标中的三个上略胜于 MassiveFold。

2. 未来，将 AlphaFold3 与 MassiveFold 整合

未来，可以将 AlphaFold3 集成到 MassiveFold 中，结合两种工具的独特优势，从而进一步增强抗体-抗原预测模型。

3. MassiveFold 显著缩短了蛋白质结构预测的计算时间，从数月缩短到数小时。这种效率的提升，可以使研究人员能够更快地获得结果，从而加速蛋白质建模和相关科学领域的进步。

4. 此前，AlphaFold 中的大规模采样已用于生成大量蛋白质结构预测，来探索各种可能的构象，从而提高对复杂蛋白质组装建模的准确度。

5. MassiveFold 解决了传统 AlphaFold 应用程序面临的高 GPU 资源需求和数据存储挑战。它能够并行运行预测，即使在计算资源有限的情况下也非常实用。

6. MassiveFold 还具有可扩展性和可定制性，能够在从单台计算机到大型 GPU 基础设施的任何设备上运行。这种灵活性使其能够充分利用所有可用的计算节点，使其可用于各种研究环境。

7. 根据这项研究，该程序易于使用和安装，只需要一个带有 JSON 参数文件的简单命令行。

8. MassiveFold 的代码在 GitHub 和 Zenodo 上公开可用。

GitHub 地址：https://github.com/GBLille/MassiveFold

参考内容：

• https://phys.org/news/2024-11-massivefold-customizable-version-alphafold-protein.html
• https://www.news-medical.net/news/20241112/MassiveFold-advances-protein-structure-prediction-with-efficient-parallel-processing.aspx

以上就是蛋白预测从数月缩短至数小时，MassiveFold出于AlphaFold而胜于AlphaFold3的详细内容，更多请关注php中文网其它相关文章！