Nature Methods
RFdiffusion2实现原子级酶活性位点支架设计

小赛推荐：

该研究开发了RFdiffusion2，一种基于扩散模型的深度生成模型，可直接从原子级的活性位点几何信息设计酶结构，无需预先指定残基位置或构象，极大提升了从反应机制进行全新酶设计的能力。

 

文献概述

本文《Atom-level enzyme active site scaffolding using RFdiffusion2》，发表于《Nature Methods》杂志，回顾并总结了深度学习在全新酶设计中的最新突破。RFdiffusion2克服了现有方法在活性位点设计中依赖预定义残基位置和构象采样的限制，实现了从原子级几何信息直接生成蛋白支架的范式转变，为从反应机制出发设计功能性酶提供了新路径。

背景知识

全新酶设计的核心挑战在于如何从理想化的过渡态几何信息出发，构建能精准定位催化基团的蛋白质支架。传统方法如RosettaMatch依赖已有蛋白结构库进行骨架搜索，仅能匹配有限的几何构型。近年来基于扩散模型的进展，如RFdiffusion和RFdiffusionAA，实现了无需模板的支架生成，但仍受限于仅能处理骨架级模体，无法直接基于原子级几何设计。该研究通过引入流匹配、非索引原子模体等策略，解决了原子级活性位点建模中的全局定位和构象采样问题，为高精度酶设计提供新工具。

 

提供基因敲除、基因敲入、条件性基因编辑等服务，适用于基础生物学研究、疾病模型构建和药物研发。

了解更多

 

研究方法与实验

RFdiffusion2采用RoseTTAFold All-Atom架构，通过流匹配（flow matching）实现从原子级模体直接生成蛋白结构。模型训练涵盖来自PDB的多元生物分子结构，并通过随机选取模体、原子子图、索引/非索引模if等策略增强数据多样性。推理阶段引入ORI伪原子控制模体与支架的相对定位，实现对活性位点取向的可控生成。

关键结论与观点

• 在AME基准测试中，RFdiffusion2成功生成41个活性位点的支架，而前代方法仅成功16个
• 模型能从部分配体原子坐标推断完整构象，生成符合物理合理性的配体结合模式
• 通过引入非索引原子模体策略，模型在支架生成中实现残基索引与构象的联合推断，显著提升设计多样性
• 实验验证表明，仅测试不到96个序列即可获得具有催化活性的酶，包括醛缩酶、半胱氨酸水解酶和锌水解酶

研究意义与展望

本研究展示了从原子级几何信息直接生成功能性酶的可行性，为基于反应机制的全新酶设计提供了高效工具。未来可扩展至多过渡态酶设计，并结合更优的序列优化策略进一步提升催化效率。该方法也可用于抗体-抗原复合物、金属蛋白等复杂系统的支架生成，具有广泛的应用潜力。

 

提供基因编辑大小鼠、细胞系、病毒包装及药效评价服务，涵盖代谢、神经、肿瘤、免疫等多疾病领域。

了解更多

 

结语

RFdiffusion2代表了蛋白质设计方法的重要进步，其突破在于无需预先定义残基索引或构象即可从原子级模体生成稳定支架。该方法在AME基准测试中显著优于现有方法，并在实验中成功生成多种功能性酶，为基于反应机制的全新酶设计提供了实用路径。该研究不仅推动了计算酶设计的发展，也为从原子级信息理解蛋白质折叠提供了新视角。

 

Woody Ahern, Jason Yim, Doug Tischer, Rohith Krishna, and David Baker. Atom-level enzyme active site scaffolding using RFdiffusion2. Nature Methods.