清华大学TopoDiff框架革新蛋白质折叠预测，扩散模型助力无监督学习新突破

清华大学联合研究团队近日提出TopoDiff框架，通过创新性地融合扩散模型与编解码器架构，显著提升了蛋白质折叠模式的覆盖广度。该成果于7月1日在预印本平台发布，为无监督学习蛋白质结构生成提供了新范式。

研究团队突破性地将潜在扩散模型引入蛋白质结构预测领域，通过同步训练结构生成模块与编码器模块，实现了对蛋白质高级几何特征的紧凑编码。实验数据显示，TopoDiff在无条件生成新蛋白质结构时，其折叠模式多样性显著优于Genie、FrameDiff等主流扩散模型。特别值得注意的是，该方法首次在残基层面实现了以潜在信息为条件的可控生成，这为定向蛋白质设计开辟了新路径。

这一进展恰逢蛋白质折叠研究的关键发展期。6月初，昌平实验室陈明辰团队曾发表RibbonFold方法，专门针对淀粉样蛋白多态性预测难题。两项研究分别从生成模型和结构约束角度，推动了对蛋白质折叠复杂性的认知边界。业内专家指出，TopoDiff展现的全局特征捕捉能力，有望与现有预测工具形成互补，特别是在处理非典型折叠场景时具有独特优势。

目前该框架已进入开源社区视野，相关技术细节可通过学术平台获取。随着AlphaFold2后续技术的持续演进，这种融合生成模型与潜在编码的新思路，或将成为破解蛋白质构象多样性难题的重要突破口。