
-
生物通官微
陪你抓住生命科技
跳动的脉搏
Phyfold:一种结合物理原理的神经网络,用于实现具有环境感知能力的蛋白质折叠动力学数学建模
《Journal of Cheminformatics》:Phyfold: environment aware mathematical modeling for protein folding dynamics integrated with physics informed neural network
【字体: 大 中 小 】 时间:2026年08月09日 来源:Journal of Cheminformatics 7.9
编辑推荐:
摘要蛋白质折叠仍是计算生物学中的核心问题,了解其在生理条件下的折叠轨迹和动态行为对于将结构与功能联系起来至关重要。诸如AlphaFold之类的最新进展彻底改变了序列到结构的预测方式,为计算蛋白质建模奠定了强大而稳固的基础。在此基础上,我们引入了一种新的基于物理原理的计算框架,该框
蛋白质折叠仍是计算生物学中的核心问题,了解其在生理条件下的折叠轨迹和动态行为对于将结构与功能联系起来至关重要。诸如AlphaFold之类的最新进展彻底改变了序列到结构的预测方式,为计算蛋白质建模奠定了强大而稳固的基础。在此基础上,我们引入了一种新的基于物理原理的计算框架,该框架将静态结构预测扩展为对蛋白质折叠过程进行动态且符合物理规律的建模。所提出的框架通过物理信息神经网络(PINN),将基于数学的反应扩散模型与深度序列嵌入相结合,从而在保持生物学合理性的同时确保与相关物理定律的一致性。我们将这一统一框架称为PhyFold。我们的研究结果表明,该方法能够有效捕捉受环境影响的折叠动态,并且在生理相关条件下与数值参考解以及实验荧光测量结果高度一致。通过明确整合温度、压力和pH值等环境因素,PhyFold实现了对蛋白质折叠动态的逼真且符合物理规律的模拟。这种方法为现代结构预测方法提供了自然的延伸,并为蛋白质设计、基于结构的药物发现以及个性化医疗开辟了新的方向。复现该研究的代码可在https://github.com/jamshaidwarraich/PhyFold.git获取。
科学贡献
PhyFold引入了一种混合型的生物物理信息神经网络框架,该框架将蛋白质折叠动力学建模为具有环境调节的动力学系数的反应扩散偏微分方程,并结合ProtT5序列嵌入以实现针对特定序列的时空预测,这是文献中尚未有过的方法。与纯粹的数据驱动或静态结构预测方法不同,PhyFold将温度、pH值和压力依赖性明确编码到控制动力学系数中,从而能够在多种生理条件下实现可物理解释的协同折叠过渡模拟。通过对有限差分参考解以及实验GFP荧光测量的双重验证,证明了该方法的数学一致性和生物学相关性,从而使PhyFold成为一种高效的环境感知型蛋白质折叠动态模拟工具。
蛋白质折叠仍是计算生物学中的核心问题,了解其在生理条件下的折叠轨迹和动态行为对于将结构与功能联系起来至关重要。诸如AlphaFold之类的最新进展彻底改变了序列到结构的预测方式,为计算蛋白质建模奠定了强大而稳固的基础。在此基础上,我们引入了一种新的基于物理原理的计算框架,该框架将静态结构预测扩展为对蛋白质折叠过程进行动态且符合物理规律的建模。所提出的框架通过物理信息神经网络(PINN),将基于数学的反应扩散模型与深度序列嵌入相结合,从而在保持生物学合理性的同时确保与相关物理定律的一致性。我们将这一统一框架称为PhyFold。我们的研究结果表明,该方法能够有效捕捉受环境影响的折叠动态,并且在生理相关条件下与数值参考解以及实验荧光测量结果高度一致。通过明确整合温度、压力和pH值等环境因素,PhyFold实现了对蛋白质折叠动态的逼真且符合物理规律的模拟。这种方法为现代结构预测方法提供了自然的延伸,并为蛋白质设计、基于结构的药物发现以及个性化医疗开辟了新的方向。复现该研究的代码可在https://github.com/jamshaidwarraich/PhyFold.git获取。
科学贡献
PhyFold引入了一种混合型的生物物理信息神经网络框架,该框架将蛋白质折叠动力学建模为具有环境调节的动力学系数的反应扩散偏微分方程,并结合ProtT5序列嵌入以实现针对特定序列的时空预测,这是文献中尚未有过的方法。与纯粹的数据驱动或静态结构预测方法不同,PhyFold将温度、pH值和压力依赖性明确编码到控制动力学系数中,从而能够在多种生理条件下实现可物理解释的协同折叠过渡模拟。通过对有限差分参考解以及实验GFP荧光测量的双重验证,证明了该方法的数学一致性和生物学相关性,从而使PhyFold成为一种高效的环境感知型蛋白质折叠动态模拟工具。
生物通微信公众号