設計一種能在藥物研發中專門結合標的治療性蛋白質是一項艱巨的挑戰。傳統工作流程通常是一個艱苦的試錯過程，需要對數千個候選項進行迭代，而每一輪合成和驗證都需要數月甚至數年的時間。考慮到人類蛋白質的平均長度為 430 個氨基酸，可能的設計數量相當于 
用于生成式蛋白質粘結劑設計的 NVIDIA BioNeMo Blueprint 是藥物研發平臺的參考工作流，可幫助這些平臺使用生成式 AI 和 GPU 加速的微服務，以智能方式瀏覽這一龐大的搜索空間。系統不會進行強力猜測，而是會引導用戶找到結構受限的穩定粘結劑，從而大幅減少迭代次數并縮短發現時間。本文將展示藥物研發公司的研究人員如何在簡化的 GPU 加速工作流程中快速生成從初始標序列到經過驗證的穩定配合物的新型蛋白質粘結劑。
利用 NVIDIA NIM 和 NVIDIA Blueprints 加速蛋白質設計
NVIDIA NIM 微服務 是模塊化的云原生組件，可加速 AI 模型的部署和執行。這些微服務使藥物發現研究人員能夠在其工作流程中集成和擴展先進的 AI 模型，從而更快、更高效地處理復雜數據。
NVIDIA Blueprints 是加速 AI 應用開發和部署的全面參考工作流，具有 NVIDIA 加速庫、SDK 和適用于 AI 代理、數字孿生等的微服務。
用于生成式蛋白質粘結劑設計的 NVIDIA BioNeMo Blueprint
用于生成式蛋白質粘結劑設計的 NVIDIA BioNeMo Blueprint 提供了全面的指南 ，展示了這些微服務如何優化蛋白質設計工作流程的關鍵階段。
該過程從目標蛋白質的氨基酸序列開始。此藍圖可無縫連接到 AlphaFold2 以預測其 3D 結構，從而提供目標外觀的初始模型。
為了提高 AlphaFold2 的準確性，我們使用了一種名為 MMseqs2 的加速多序列對齊 (MSA) 算法，該算法在 NVIDIA GPUs 上運行。這可確保快速、準確地對齊，為結構預測過程提供信息，并使用戶能夠搜索以前不可行的大型數據庫。借助 MMseqs2 和其他升級，AlphaFold2 NIM 現在比原始模型快 5 倍，經濟高效 17 倍。
借助手中的 MSA 結果，AlphaFold2 可提供目標蛋白質的 3D 模型。這種結構為我們設計能夠鎖定具有高親和力和穩定性的特定區域的粘結劑奠定了基礎。
接下來，RFdiffusion 高級 AI 模型會探索不同的構象，指導我們實現最佳綁定配置。用戶可以微調搜索參數，為穩定的粘結劑 – 目標交互找到最佳形狀。在推理引擎加速方面，RFdiffusion NIM 現在比基準模型快 1.9 倍。
一旦我們有了前景光明的構象環境，ProteinMPNN 就會接管。它使用來自 RFdiffusion 的結構信息來生成和優化非常適合這些形狀的氨基酸序列。
設計完候選粘結劑后，我們使用 AlphaFold2-Multimer 進行驗證。這可確保所選粘結劑和目標蛋白形成穩定、交互性良好的復合體，從而更大限度地降低下游實驗失敗的風險。
借助這些經過初步驗證的復合體，研究人員可以優先考慮最有前景的候選蛋白質粘結劑設計，從而減少昂貴而耗時的實驗室工作。這種集成方法可加速從設計到發現的周期。
結束語?
下載 NVIDIA BioNeMo Blueprint 用于生成式蛋白質粘結劑設計 ，并將其部署到本地、云端或混合環境的任意位置。安全可靠且受企業支持的選項可幫助您擴展研究規模。
借助 NVIDIA 加速微服務和生成式 AI，您可以改變蛋白質粘結劑設計，提高效率并發掘新的治療可能性。
- 現在就前往 build.nvidia.com，設計蛋白質粘結劑。
- 通過 GitHub 訪問 NVIDIA BioNeMo Blueprint 以進行生成式蛋白質粘結劑設計 ，立即進行部署。
?
