本研究提出了一种新的蛋白质结构预测方法 ——HelixFold-Single，它基于大规模蛋白质语言模型，将原始序列代替同源序列用于学习蛋白质序列的共同进化信息，并结合 AlphaFold2 的关键组件预测蛋白质原子的三维坐标，其在 CASP14 和 CAMEO 数据集中准确度表现良好，同时能够节省大量的计算时间。

Jul, 2022

该研究利用语言生成模型 MSA-Augmenter 及大规模 MSA 技术，微调 AlphaFold2 蛋白质结构预测模型在缺乏同源家族数据库的情况下，生成补充性的未见过的蛋白质序列，从而提高蛋白质结构预测准确性。

Jun, 2023

本文提出了 FastFold，它是 AlphaFold 模型的有效实现，使用 Dynamic Axial Parallelism 和 Duality Async Operations 提高模型并行性的扩展效率，还提出 AutoChunk 来自动确定块策略以减少推理期间的内存成本，实验结果表明，FastFold 将总的训练时间从 11 天缩短至 67 小时，在长序列推理中达到了 7.5-9.5 倍的加速，此外，我们将 FastFold 扩展到了 512 个 GPU，实现了 6.02 PetaFLOP/s 的总吞吐量和 90.1% 的并行效率。

Mar, 2022

使用 EigenFold 这种扩散生成建模框架，以从给定蛋白质序列中生成结构的分布，更全面地了解模型不确定性，并评估 EigenFold 对于建模和预测折叠转换蛋白质和配体诱导构象变化的能力，该方法在最近的 CAMEO 目标中实现了中位 TMScore 为 0.84，可以更好地捕捉构象情况下的生物学功能。

Apr, 2023

通过自我监督的多层预训练框架 ProMIM，全面捕获三个层级的蛋白质相互作用，该框架在标准基准测试中表现优异，特别是在可能导致蛋白质背骨构象显著变化的突变上，还能进行零样本评估，显示了其作为新一代强大的药物开发工具在 SARS-CoV-2 突变效应预测和抗体优化方面的潜力。

May, 2024

通过引入 APACE 作为计算框架，将 AlphaFold2 和先进计算作为服务相结合，可以在现代超级计算环境中加速蛋白质结构预测分析，从而将蛋白质结构预测的时间从数周缩短到数分钟。

Aug, 2023

我们提出了一种名为 SGNet 的蛋白质折叠框架，以建模对称组装中的蛋白质相互作用，从而解决了对称蛋白质复合物中的计算问题。我们的方法在四聚体蛋白质结构预测中可以模拟所有全局对称类型，并在对称蛋白质复合物基准测试上展示了其有效性。

Mar, 2024

本论文提出了 PiFold 具有改进恢复能力的新型残基特征提取器和 PiGNN 层，可一次性生成蛋白质序列。实验结果显示，PiFold 能够快速恢复结构，并且在 CATH 4.2，TS50 和 TS500 上的恢复效果也非常好，是以前方法的 70 倍快。

Sep, 2022

提出了一种名为 FFF 的新方法，通过结合片段识别和结构预测方法构建完整的蛋白质结构，采用多级识别网络捕获输入的三维冷冻电镜地图的各种结构特征并使用伪肽向量和基于这些特征的蛋白质序列比对方法生成蛋白质结构片段，最后，通过灵活拟合使用预测的蛋白质片段构建完整的结构模型。基于我们的基准测试，FFF 优于基线方法用于构建完整的蛋白质结构。

Aug, 2023

通过深度强化学习训练的 FoldingZero 框架能够自行折叠出一个 2D HP 结构的蛋白质，学习到了隐藏的折叠知识，是一个在蛋白质折叠领域有应用潜力的新方法。

Dec, 2018