AlphaFold2和相关计算系统利用深度学习和多序列比对(MSA)中编码的协同进化关系来预测蛋白质结构。尽管这些系统达到了很高的预测准确性，但挑战仍然存在: (1)预测无法产生 MSA 的孤儿和快速进化的蛋白质; (2)快速探索设计的结构; (3)理解溶液中自发多肽折叠的规则。在这里，我们报告的发展，端到端可微递归几何网络(RGN) ，使用蛋白质语言模型(氨基 BERT)来学习潜在的结构信息从未对齐的蛋白质。链接几何模块以平移和旋转不变的方式紧凑地表示 Cα 骨架几何形状。平均而言，RGN2在孤儿蛋白质和设计的蛋白质类别上优于 AlphaFold2和 RoseTTAFold，同时在计算时间上减少了106倍。这些发现证明了蛋白质语言模型相对于 MSA 在结构预测方面的实际和理论优势。
Single-sequence protein structure prediction using a language model and deep learning | Nature Biotechnology
aqlaboratory/rgn2 (github.com)
