生物分子的新视角：等变网络在蛋白质结构预测与设计中的系列应用丨图神经网络与组合优化读书会·周三直播

导语

从蛋白质的一维序列预测三维结构是一个非常重要的问题。深度学习技术的应用使得蛋白结构预测有了突破性的进展，如今在有些蛋白上，深度学习预测得到的结构甚至可以与实验结果相媲美。特别是等变网络在生物分子的预测和建模中得到了越来越多的应用，本次分享将对此进行详细介绍。

为了探讨图神经网络在算法神经化求解的发展与现实应用，集智俱乐部联合国防科技大学系统工程学院副教授范长俊、中国人民大学高瓴人工智能学院助理教授黄文炳，共同发起「图神经网络与组合优化」读书会。读书会将聚焦于图神经网络与算法神经化求解的相关领域，包括神经算法推理、组合优化问题求解、几何图神经网络，以及算法神经化求解在 AI for Science 中的应用等方面，希望为参与者提供一个学术交流平台，激发参与者的学术兴趣，进一步推动相关领域的研究和应用发展。读书会从2023年6月14日开始，每周三晚 19:00-21:00 举行，持续时间预计8周。欢迎感兴趣的朋友报名参与！

分享内容简介

蛋白质是由氨基酸组成的生物大分子，是生命活动的执行者，在生命活动中起着关键性的作用。蛋白质能够高效而准确的执行其功能，依赖于其精细而复杂的结构。迄今为止人类已经测定得到了数十万个蛋白的结构，但是蛋白结构的测定需要耗费巨大的时间和精力，而且新的未知结构的蛋白层出不穷，现有的结构测定能力远远不能满足应用的需要。因此，从蛋白质的一维序列预测三维结构就成为了一个非常重要的问题。

深度学习技术的应用使得蛋白结构预测有了突破性的进展，如今在有些蛋白上，深度学习预测得到的结构甚至可以与实验结果相媲美。采用等变网络描述三维空间中的分子可以很自然地描述分子的空间平移旋转不变性，因此等变网络在生物分子的预测和建模中得到了越来越多的应用。

本次分享我们将介绍单个蛋白结构的预测，蛋白-蛋白复合物结构的预测以及抗体CDR区的结构预测与设计的一些工作，从实际例子出发展示三维等变网络在生物分子结构预测中的一些应用。

分享内容大纲

蛋白质——生命活动的执行者
蛋白质结构与其功能的关系
RosettaFold: 单个蛋白结构的预测
EquiDock: 蛋白-蛋白复合物结构的预测
MEAN: 抗体CDR区域序列与结构的同步优化

主讲人介绍

柴昊，北京大学化学与分子工程学院二年级博士生，主要研究方向为染色质的结构与功能，蛋白质的结构与设计。

主要涉及到的参考文献

1.Minkyung Baek, Frank DiMaio, et al. Accurate prediction of protein structures and interactions using a three-track neural network. Science, 2021.

简称RoseTTAFold，实现了从蛋白质序列预测结构。

GitHub|https://github.com/RosettaCommons/RoseTTAFold

简书|三维蛋白结构预测之RoseTTAFold：https://www.jianshu.com/p/12ffc9862d9e；简书|RoseTTAFold-蛋白质预测的“平凡之路”：https://www.jianshu.com/p/be32a18087c1

2.Octavian-Eugen Ganea, Xinyuan Huang, Charlotte Bunne, et al. Independent SE(3)-Equivariant Models for End-to-End Rigid Protein Docking. arXiv:2111.07786, 2022.

EquiDock, 采用等变网络预测蛋白-蛋白刚性对接的对接姿态。

GitHub：https://github.com/octavian-ganea/equidock_public

知乎|等变图神经网络在药物研发中大放异彩：https://zhuanlan.zhihu.com/p/548707740

ZONTAL|https://zontal.io/independent-se3-equivariant-models-for-end-to-end-rigid-docking/

DiffDock: https://arxiv.org/pdf/2210.01776.pdf

3.Xiangzhe Kong, Wenbing Huang, Yang Liu. Conditional Antibody Design as 3D Equivariant Graph Translation. ICLR, 2023.

简称MEAN，使用了等变图神经网络完成抗体CDR区域1D氨基酸序列和3D结构的同时生成和优化。

GitHub|https://github.com/THUNLP-MT/MEAN

知乎|基于3D等变图转换的条件抗体设计：https://zhuanlan.zhihu.com/p/559254925；知乎|使用3D Equi-variant Graph Translation来做Conditional抗体设计：https://zhuanlan.zhihu.com/p/623640186

OpenReview地址：https://openreview.net/forum?id=LFHFQbjxIiP

清华官网报道|AIR获ICLR 2023杰出论文提名：https://air.tsinghua.edu.cn/info/1007/1989.htm

推荐阅读：

知乎|基于人工智能(AI)的蛋白结构预测工具合集：https://zhuanlan.zhihu.com/p/556705469

主要涉及的前置知识

等变网络的基本知识
蛋白质的结构和功能

直播信息

时间：

2023年7月12日（本周三）晚上19:00-21:00

参与方式：

扫码参与图神经网络与组合优化读书会，加入群聊，获取系列读书会回看权限，成为图神经网络社区的种子用户，与社区的一线科研工作者与企业实践者沟通交流，共同推动图神经网络社区的发展。

集智学园最新AI课程，

张江教授亲授：

第三代人工智能技术基础

——从可微分编程到因果推理

自1956年“人工智能”诞生于达特茅斯会议以来，已经经历了从早期的以符号推理为主体的第一代人工智能，和以深度神经网络、机器学习为主体的第二代人工智能。ChatGPT的横空出世、生成式AI的普及、AI for Science等新领域的突破，标志着第三代人工智能的呼之欲出。可微分编程、神经微分方程、自监督学习、生成式模型、Transformer、基于图网络的学习与推理、因果表征与因果推断，基于世界模型的强化学习……，所有这些脱胎于前两代人工智能的技术要素很有可能将构成第三代人工智能的理论与技术的基础。

本课程试图系统梳理从机器学习到大语言模型，从图神经网络到因果推理等一系列可能成为第三代人工智能基础的技术要素，为研究者或学生在生成式AI、大模型、AI for Science等相关领域的学习和研究工作奠定基础。

https://campus.swarma.org/course/5084?from=wechat

AI+Science 读书会

AI+Science 是近年兴起的将人工智能和科学相结合的一种趋势。一方面是 AI for Science，机器学习和其他 AI 技术可以用来解决科学研究中的问题，从预测天气和蛋白质结构，到模拟星系碰撞、设计优化核聚变反应堆，甚至像科学家一样进行科学发现，被称为科学发现的“第五范式”。另一方面是 Science for AI，科学尤其是物理学中的规律和思想启发机器学习理论，为人工智能的发展提供全新的视角和方法。

集智俱乐部联合斯坦福大学计算机科学系博士后研究员吴泰霖（Jure Leskovec 教授指导）、哈佛量子计划研究员扈鸿业、麻省理工学院物理系博士生刘子鸣（Max Tegmark 教授指导），共同发起以“AI+Science”为主题的读书会，探讨该领域的重要问题，共学共研相关文献。读书会从2023年3月26日开始，每周日早上 9:00-11:00 线上举行，持续时间预计10周。欢迎对探索这个激动人心的前沿领域有兴趣的朋友报名参与。

详情请见：

人工智能和科学发现相互赋能的新范式：AI+Science 读书会启动

图神经网络与组合优化读书会启动

现实世界中大量问题的解决依赖于算法的设计与求解。传统算法由人类专家设计，而随着人工智能技术不断发展，算法自动学习算法的案例日益增多，如以神经网络为代表的的人工智能算法，这是算法神经化求解的缘由。在算法神经化求解方向上，图神经网络是一个强有力的工具，能够充分利用图结构的特性，实现对高复杂度算法的高效近似求解。基于图神经网络的复杂系统优化与控制将会是大模型热潮之后新的未来方向。