ProteinMPNN
蛋白质反向折叠任务的代表性深度学习模型，在给定蛋白质三维骨架结构的条件下设计氨基酸序列，广泛用于计算蛋白质工程
时间轴 (近 90 天)
计算工具（如RFdiffusion、ProteinMPNN）与语言模型可以介入蛋白质从头设计的序列生成环节
可设计性是生成式蛋白质设计中的常用评估标准：将生成的骨架输入独立的序列设计模型（如ProteinMPNN），再用结构预测工具（如ESMFold或AlphaFold）重新折叠预测序列，若预测结构与原骨架高度一致（通常以scRMSD阈值判定），则认为该骨架可设计。
RFdiffusion、ProteinMPNN 等扩散模型方法通常依赖结构片段、热点残基坐标等结构化输入来指定设计意图
蛋白质反向折叠是指在给定三维骨架结构条件下设计能折叠成该结构的氨基酸序列，ProteinMPNN、ESM-IF等模型是代表性工具
ProteinMPNN利用消息传递神经网络在给定骨架结构条件下预测最优氨基酸序列,解决逆折叠问题
RFdiffusion和ProteinMPNN等新一代蛋白质设计工具采用了扩散模型和图神经网络等先进架构
全部知识事实 (6)
计算工具（如RFdiffusion、ProteinMPNN）与语言模型可以介入蛋白质从头设计的序列生成环节
50%待验证可设计性是生成式蛋白质设计中的常用评估标准：将生成的骨架输入独立的序列设计模型（如ProteinMPNN），再用结构预测工具（如ESMFold或AlphaFold）重新折叠预测序列，若预测结构与原骨架高度一致（通常以scRMSD阈值判定），则认为该骨架可设计。
50%待验证RFdiffusion、ProteinMPNN 等扩散模型方法通常依赖结构片段、热点残基坐标等结构化输入来指定设计意图
50%待验证蛋白质反向折叠是指在给定三维骨架结构条件下设计能折叠成该结构的氨基酸序列，ProteinMPNN、ESM-IF等模型是代表性工具
50%待验证ProteinMPNN利用消息传递神经网络在给定骨架结构条件下预测最优氨基酸序列,解决逆折叠问题
50%待验证RFdiffusion和ProteinMPNN等新一代蛋白质设计工具采用了扩散模型和图神经网络等先进架构
50%