RoseTTAFold All-Atom：全原子建模为什么重要

RoseTTAFold All-Atom（RFAA）（Krishna 等，Science 2024）把 RoseTTAFold 从「只建模蛋白主链框架」扩展到全原子、多分子类型。它与 AlphaFold3 目标相似，但完全开放——这是它的核心差异。

为什么「全原子」重要

# AF2/RF 的表示方式：
#   每个氨基酸残基用一个「框架」（frame）表示
#     = 主链 N-CA-C 定义的局部坐标系
#   侧链通过扭转角（chi angles）附加
#
#   优点：参数少，适合蛋白
#   限制：
#     - 只能处理标准氨基酸
#     - 小分子没有「残基框架」的概念
#     - 核酸、辅因子、金属、修饰都无法自然表示
#
# 全原子表示：
#   每个原子是一个独立的实体，有自己的坐标
#
#   优点：
#     - 统一处理任何分子类型
#     - 蛋白、DNA、RNA、小分子、离子、共价修饰
#       —— 都只是「一堆原子」
#   代价：
#     - 参数与计算量增加
#     - 需要处理原子间的化学键约束
#
# 这就是 AF3 与 RFAA 都转向全原子的原因：
#   要建模真实的生物复合物，就必须能处理非蛋白成分

RFAA 能建模什么

类型	支持	药物发现中的意义
蛋白（含多链）	是	基础
小分子配体	是	结合模式预测
DNA / RNA	是	核酸药物、转录因子（见 375《反义寡核苷酸 ASO》）
金属离子	是	金属酶的活性位点
共价修饰	是	共价抑制剂（见 379《共价抑制剂设计》）
糖基化	是	抗体与膜蛋白
非标准氨基酸	是	多肽药物（见 372《多肽药物设计》）

与 AlphaFold3 的对比

	AlphaFold3	RFAA
准确度	总体更高	接近但通常略低
结构生成	扩散模块	基于 RF 的三轨 + 全原子扩展
开放程度	受限（非商业）	完全开放，可商用
权重获取	需申请	直接下载
与设计工具的衔接	无	与 RFdiffusion 生态打通
共价修饰	支持	支持，且可用于设计

RFAA 的独特价值不在于预测准确度，而在于它是「可用于设计的全原子模型」——配合 RFdiffusion，可以做针对小分子的结合口袋从头设计，这是 AF3 做不到的（AF3 只做预测）。

使用

git clone https://github.com/baker-laboratory/RoseTTAFold-All-Atom.git
cd RoseTTAFold-All-Atom
# 按 README 配置环境并下载权重与序列数据库

# 输入用 YAML 配置
# config.yaml:
#   job_name: my_complex
#   protein_inputs:
#     A:
#       fasta_file: protein.fasta
#   sm_inputs:
#     B:
#       input: ligand.sdf
#       input_type: sdf
#   na_inputs: {}      # 核酸（可选）

python -m rf2aa.run_inference --config-name config

# 输出：
#   预测的复合物 PDB（含配体）
#   置信度指标

# 注意：
#   1) 需要 GPU（显存需求随体系大小增长）
#   2) 需要下载序列数据库做 MSA 搜索
#   3) 小分子输入需要正确的化学结构（SDF/SMILES）
#      质子化态与互变异构体会影响结果

结合口袋设计：RFAA 的独特应用

# 这是 RFAA + RFdiffusion 组合的核心能力
#
# 目标：设计一个能结合指定小分子的全新蛋白
#
# 流程：
#   1) 用 RFdiffusion All-Atom 生成蛋白骨架
#      条件：给定小分子的三维结构
#      → 生成一个「包裹」该分子的蛋白骨架
#
#   2) 用 ProteinMPNN / LigandMPNN 设计序列
#      LigandMPNN 是考虑了配体环境的版本
#      → 在配体附近选择合适的残基
#
#   3) 用 RFAA 或 AF2 验证
#      预测设计序列的结构，检查：
#        - 是否折叠成设计的骨架（RMSD）
#        - 口袋是否保持
#        - 配体是否能结合在预期位置
#
#   4) 实验验证
#      表达、纯化、测结合
#
# 应用场景：
#   - 小分子传感器（生物传感）
#   - 人工酶设计
#   - 新型结合蛋白（替代抗体）
#   - 药物递送载体
#
# 现状：
#   成功率仍然不高（实验验证的命中率是主要瓶颈）
#   但这是【之前完全做不到】的能力
#   → 见 151

使用中的注意事项

• 小分子的准确度低于蛋白：训练数据中蛋白-小分子复合物的数量远少于蛋白结构，因此配体姿势的预测可靠性较低；
• 必须做物理检查：与所有深度学习方法一样，生成的配体姿势可能有键长键角问题或空间冲突，用 PoseBusters 检查（见 096《Binding Pose》）；
• 与传统对接交叉验证：RFAA 的预测应与 Vina/GNINA 结果比较；
• 不预测亲和力：与 AF3 一样，RFAA 只给结构不给结合强度；
• 新颖配体的可靠性下降：与训练数据差异大的化学类型（如金属有机配合物、罕见杂环）要格外谨慎。

在工具选择中的位置

需求	推荐
最高准确度的复合物预测	AF3（学术）/ Boltz-2（商用，见 121《Boltz-2 技术报告精读》）
结合口袋从头设计	RFAA + RFdiffusion All-Atom
共价复合物建模	RFAA 或 Boltz-2
常规蛋白结构预测	ColabFold（见 118《ColabFold》）
大规模配体筛选	传统对接（速度）

延伸资源

• RoseTTAFold：114《RoseTTAFold 论文精读》；AlphaFold3：113《AlphaFold3 论文精读》；
• RFdiffusion 与蛋白设计：151《RFdiffusion 论文精读》、150《ProteinMPNN 论文精读》；Boltz-2：121《Boltz-2 技术报告精读》。