Un equipo de investigadores de la Universidad de Pekín presentó FoldScape, un marco de deep learning que genera ensambles conformacionales de proteínas condicionados a una fracción de plegado Q específica, directamente desde la secuencia de aminoácidos. A diferencia de predictores estáticos como AlphaFold 3, que solo ofrecen la estructura nativa, FoldScape reconstruye el continuo conformacional que va desde el estado desplegado hasta el plegado, sin necesidad de simulaciones de dinámica molecular por proteína.
El modelo descompone la reconstrucción tridimensional en una jerarquía de regresiones de distancia inter-residuo sobre ventanas deslizantes, que ensambla en una representación de cadena y decodifica mediante un flujo rectificado entrenado con un corpus de aproximadamente un millón de conformaciones provenientes de 10 mil secuencias. En pruebas comparativas, FoldScape alcanzó una cobertura conformacional mediana de 0.989, 0.722 y 0.877 en radio de giro, fracción de contactos nativos y fracción de estructura secundaria, respectivamente, frente a 0.05, 0.05 y 0.10 de los ensambles de AlphaFold 3 con semillas variadas.
En corto: FoldScape representa un avance en la predicción de estructuras proteicas al generar ensambles conformacionales en cualquier etapa del plegado, superando en cobertura a AlphaFold 3 y eliminando la necesidad de simulaciones por proteína. El estudio fue publicado en arXiv y está pendiente de revisión por pares.