新上线今天0 投票
ProHiFlo：层级流匹配框架实现从头蛋白质生成，功能性引导成亮点
蛋白质从头设计在治疗药物、酶工程和合成生物学中具有变革潜力。现有扩散模型和流匹配方法通常仅在单一分辨率下操作，且缺乏融入功能性约束的机制。最新研究 ProHiFlo 提出了一种层级流匹配框架，通过三项创新突破瓶颈：
粗到细生成，兼顾效率与精度
ProHiFlo 采用 coarse-to-fine 生成策略：先建模主链几何，再细化至全原子坐标。这种分步处理显著降低了计算成本，同时保持原子级精度，相比单分辨率方法更具可扩展性。
功能性引导，无需重训练
借助预训练的预测器，ProHiFlo 可在生成过程中直接向目标性质（如酶活性位点形状）引导，无需重新训练模型。这一机制使得功能约束的嵌入变得灵活高效，尤其适用于需要特定生物活性的场景。
自适应等变架构，多尺度处理
框架采用 自适应 SE(3)-等变架构，能够高效处理多尺度几何信息，确保生成的蛋白质结构在旋转和平移下保持一致性。
实验表现：更少步骤，更高成功率
在无条件生成、基序支架和功能性设计任务中，ProHiFlo 均达到 最先进性能，且所需采样步骤减少 4 倍。在酶活性位点支架任务中，ProHiFlo 的成功率为 58.9%，显著优于 RFDiffusion 的 41.2%。
行业影响
该工作为蛋白质设计提供了更高效、可引导的生成路径，有望加速功能蛋白的定制化开发。层级化生成与功能性引导的结合，或将成为未来蛋白质设计工具的标准范式。