Nat. Methods | 使用RFdiffusion2在原子层面上实现酶活性位点支架的设计

背景：设计催化新反应的酶是蛋白质设计领域的重大挑战，传统方法如RosettaMatch或生成式深度学习模型RFdiffusion在处理理论酶（theozyme）时存在局限，通常只能以主链结构表示催化残基，且需要预先指定残基位置，这增加了处理步骤并损失了原子级结构信息。研究目的：本文旨在开发RFdiffusion2，一种能够在原子层面上描述酶活性位点的深度学习方法，以更高效地生成容纳理论酶的蛋白质支架。结论：RFdiffusion2通过引入RoseTTAFoldAA框架和流匹配训练方法，成功提升了酶设计的性能；在包含41个活性位点的基准测试中，RFdiffusion2能处理所有位点，而RFdiffusion仅能处理16个，且RFdiffusion2对复杂残基岛结构更具鲁棒性；体外实验进一步验证了RFdiffusion2能从理论酶生成功能性酶，在五个案例中均成功设计出活性蛋白。