FoldFlow 是一系列基于流匹配范式的新型生成模型，通过流动匹配 3D 刚体运动（即群 SE (3)），实现对蛋白质主链的准确建模，具备比其他方法更稳定、更快速的训练能力，并可以将任何不变的源分布映射到 SE (3) 上的任何不变的目标分布。

Oct, 2023

蛋白质设计中，基于模体的脚手架技术用于构建功能性蛋白质，但生成的脚手架缺乏结构多样性，限制了湿实验验证的成功。本研究通过两种互补方法，在使用 FrameFlow 进行脚手架设计时实现了较高成功率和更多结构多样性的脚手架生成。

Jan, 2024

生物蛋白质的功能常依赖于动态结构集合，本研究通过开发一种基于流动的生成建模方法来学习和采样蛋白质的构象空间，利用 AlphaFold 和 ESMFold 等高精度单状态预测器进行改进，获得了名为 AlphaFlow 和 ESMFlow 的蛋白质结构的序列有条件的生成模型。在 PDB 上经过训练和评估时，我们的方法在精确性和多样性方面相比于具有 MSA 子采样的 AlphaFold 更具优势。当进一步在全原子 MD 的集合上进行训练后，我们的方法能够准确捕捉未知蛋白质的构象灵活性、位置分布和高阶集合观测量。此外，我们的方法可以使静态 PDB 结构多样化，并具有比复制的 MD 轨迹更快的收敛时间，展示了其作为昂贵的基于物理的仿真的替代品的潜力。

Feb, 2024

本研究提出了一种名为 Fold2Seq 的基于转换器的生成框架，以设计新的蛋白质序列并获得所需的三维拓扑折叠形态，结果表明 Fold2Seq 相比现有的最先进方法在速度、覆盖率及可靠性方面具有改进或类似的表现，进一步的应用表明 Fold2Seq 具有优于人工设计和物理学方法的独特优势。

Jun, 2021

利用 RNA-FrameFlow 首次引入了生成模型，用于 3D RNA 骨架设计，建立起适用于 RNA 建模中的数据准备和评估协议，通过 SE (3) 流匹配的方式对应蛋白质骨架生成的方法进行改进，以处理 RNA 建模中的独特挑战，将 RNA 结构形式化为一组刚体框架和相关的损失函数，通过训练结构聚类和裁剪增强方法，缓解了 3D RNA 数据集缺乏多样性的问题，同时定义了一套评估指标以衡量生成的 RNA 结构在全局上是否自洽一致以及是否恢复了 RNA 特定的结构描述符，其中 RNA-FrameFlow 的最佳版本能够生成 40-150 核苷酸的局部真实的 RNA 骨架，其中超过 40％的 RNA 符合我们的有效性标准，即自洽性 TM 分数大于等于 0.45，两个 RNA 具有相同的全局折叠。开源代码：https://this URL

Jun, 2024

RNAFlow 是一种基于流动匹配模型的蛋白质条件下的 RNA 序列结构设计方法，通过集成 RNA 逆折叠模型和预训练的 RosettaFold2NA 网络生成 RNA 序列和结构，利用条件化的结构去噪网络简化了训练过程，并通过推断的构象集合对逆折叠模型进行增强，从而模拟动态的 RNA 构象。在蛋白质条件下的 RNA 结构和序列生成任务的评估中，证明了 RNAFlow 相对于现有 RNA 设计方法的优势。

May, 2024

通过基于流匹配框架的第一个多模态深层生成模型 PepFlow，我们成功设计了全原子肽链，以靶向特定蛋白质受体，并在计算肽设计和分析中展现了其显著潜力。

Jun, 2024

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

通过引入可伸缩的 E (3)- 等变消息传递体系结构 Semla 和使用流匹配训练的分子生成模型 MolFlow，本研究解决了当前 3D 药物设计中的慢速采样和生成化学有效分子的问题，并且提出了用于无条件分子生成器的新的基准度量方法，最终实验结果表明 MolFlow 显著提升了样本质量和性能。

Jun, 2024

基于条件流匹配对环面进行建模的针对靶向感知的肽设计方法 PPFlow 填补了人工智能辅助肽药物发现领域的不足，并通过建立名为 PPBench2024 的蛋白 - 肽结合数据集以填充大规模数据空白，实验证明 PPFlow 在肽药物的生成和优化等任务上具有领先水平的性能，并且可以推广到其他任务，包括对接和侧链装配。

Mar, 2024