【ICML2025】基于柔性条件的蛋白质结构设计与流匹配

几何深度学习与生成建模的最新进展，使得具有多种目标属性的新型蛋白质设计成为可能。然而，当前的最新方法通常仅限于生成具有静态目标属性（如结构基序和对称性）的蛋白质。在本研究中，我们提出了一种新的框架，将**柔性（flexibility）**作为条件引入结构生成，从而迈出克服这一局限性的第一步。柔性在催化作用或分子识别等关键功能中至关重要。

我们首先提出 BackFlip，一种等变（equivariant）神经网络，用于从输入的主链结构预测逐残基（per-residue）的柔性。基于 BackFlip，我们进一步提出 FliPS，一种 SE(3)-等变的条件流匹配模型（conditional flow matching model），用于解决逆问题，即生成具有目标柔性分布的蛋白质主链。

在实验中，我们展示了 FliPS 能够生成符合目标柔性分布的全新且多样化的蛋白质主链，并通过分子动力学（Molecular Dynamics, MD）模拟验证了其有效性。FliPS 与 BackFlip 的代码可在以下地址获取： https://github.com/graeter-group/flips