RFDiffusion 是一种深度学习驱动的蛋白质设计工具，由 RosettaCommons 团队开发。它基于扩散模型（Diffusion Model），通过逐步优化随机扰动的蛋白质结构，实现高效且灵活的蛋白质设计。以下是 RFDiffusion 的基本功能：
1. 全新蛋白质设计
- 功能
：从头设计具有特定形状或功能的蛋白质。 - 应用：
设计全新的酶或结合蛋白。 构建特定几何形状的蛋白质（如多面体、纤维结构）。 用于合成生物学、药物开发等领域。
示例：
生成具有特定结合口袋的蛋白质，用于药物靶点筛选。 创建具有特定对称性的蛋白质纳米结构。
2. 定向蛋白质改造
- 功能
：对已有蛋白质结构进行特定区域的改造。 - 应用：
优化热稳定性。 改善与特定配体或受体的结合能力。 修改酶活性位点以提高催化效率。
示例：
改造现有的抗体以提高其与抗原的结合亲和力。 优化酶的活性位点，使其在更高温度下稳定工作。
3. 结合位点设计
- 功能
：设计蛋白质与配体或受体的结合界面。 - 应用：
提高蛋白质药物与靶点的结合能力。 构建具有特定结合能力的传感蛋白。
示例：
设计新的抗体结合抗原。 构建能够感知特定小分子的生物传感器。
4. 蛋白质-蛋白质相互作用设计
- 功能
：设计促进或抑制蛋白质-蛋白质相互作用的蛋白质。 - 应用：
构建蛋白质聚集体或纳米结构。 设计抑制剂以阻断致病蛋白的相互作用。
示例：
设计能够与病毒衣壳蛋白结合的抗病毒蛋白。 构建具有特定对称性的蛋白质笼。
5. 蛋白质的定向稳定化
- 功能
：通过结构设计增强蛋白质的热稳定性或溶剂稳定性。 - 应用：
制造能够在极端条件下工作的工业酶。 增强蛋白质药物的体内稳定性。
示例：
改造现有的蛋白酶，使其在高温条件下保持活性。 稳定易降解的蛋白质，以用于药物开发。
6. 结构引导的设计
- 功能
：通过提供参考结构或约束条件，引导蛋白质的设计或优化。 - 应用：
根据已知结构设计变体。 对特定的蛋白质结构进行局部优化或修饰。
示例：
使用一个现有的酶作为模板，设计新的催化功能。 引导设计特定几何形状或分子对称性。
7. 数据增强与协同建模
- 功能
：结合实验数据（如低分辨率电子显微镜图像、低分辨率 X 射线结构）进行设计。 - 应用：
利用模糊数据进行精确设计。 协同实验数据与预测模型优化结果。
示例：
结合低分辨率结构数据，设计符合实验约束的新蛋白质。
8. 模型整合与协作
- 功能
：与其他蛋白质建模工具（如 Rosetta、AlphaFold）配合使用，实现更全面的功能。 - 应用：
使用 AlphaFold 验证设计的蛋白质结构是否可能真实存在。 利用 Rosetta Relax 优化设计结果。
示例：
设计后使用 Rosetta 进行自由能计算以筛选最佳候选。
9. 定制化约束支持
- 功能
：支持用户输入约束条件，灵活定制设计目标。 - 应用：
冻结关键区域，确保核心功能不变。 限制设计范围，仅修改目标区域。
示例：
冻结一个结合口袋，优化蛋白质的其他部分。 设计对称蛋白结构时，限制结构对称性。
