RFdiffusion
华盛顿大学开发的基于扩散模型的蛋白质设计AI，能够从头设计具有特定功能的全新蛋白质结构，大幅加速蛋白质工程研究
时间轴 (近 90 天)
计算工具（如RFdiffusion、ProteinMPNN）与语言模型可以介入蛋白质从头设计的序列生成环节
RFdiffusion、ProteinMPNN 等扩散模型方法通常依赖结构片段、热点残基坐标等结构化输入来指定设计意图
AI蛋白质设计工具如DeepMind的AlphaFold、华盛顿大学的RFdiffusion使研究者能在数小时内完成过去数年才能完成的序列设计工作
当前主流AI抗体设计方法包括基于扩散模型（如RFdiffusion）的结构生成、基于语言模型（如ESM、AntiBERTy）的序列生成，以及混合架构
RFdiffusion采用扩散模型,从随机原子坐标出发逐步去噪生成物理上合理的蛋白质骨架结构
RFdiffusion和ProteinMPNN等新一代蛋白质设计工具采用了扩散模型和图神经网络等先进架构
AlphaFold2于2021年出现，让蛋白质结构预测精度大幅提升；RFdiffusion由David Baker团队开发，使用扩散模型在结构空间直接采样
以AlphaFold和RFdiffusion为代表的深度学习方法设计的候选蛋白分子在湿实验中命中率通常只有10-15%
全部知识事实 (8)
计算工具（如RFdiffusion、ProteinMPNN）与语言模型可以介入蛋白质从头设计的序列生成环节
50%待验证RFdiffusion、ProteinMPNN 等扩散模型方法通常依赖结构片段、热点残基坐标等结构化输入来指定设计意图
50%待验证AI蛋白质设计工具如DeepMind的AlphaFold、华盛顿大学的RFdiffusion使研究者能在数小时内完成过去数年才能完成的序列设计工作
50%待验证当前主流AI抗体设计方法包括基于扩散模型（如RFdiffusion）的结构生成、基于语言模型（如ESM、AntiBERTy）的序列生成，以及混合架构
50%待验证RFdiffusion采用扩散模型,从随机原子坐标出发逐步去噪生成物理上合理的蛋白质骨架结构
50%待验证RFdiffusion和ProteinMPNN等新一代蛋白质设计工具采用了扩散模型和图神经网络等先进架构
50%待验证AlphaFold2于2021年出现，让蛋白质结构预测精度大幅提升；RFdiffusion由David Baker团队开发，使用扩散模型在结构空间直接采样
50%待验证以AlphaFold和RFdiffusion为代表的深度学习方法设计的候选蛋白分子在湿实验中命中率通常只有10-15%
50%