科技领域近日迎来新突破，苹果研究团队推出了一款名为SimpleFold的轻量级蛋白质折叠预测AI模型。该模型采用流匹配技术，摒弃了传统模型中依赖的多序列比对等复杂模块，有效降低了计算成本，为科研界带来了新的可能性。
传统蛋白质折叠预测模型如AlphaFold2和RoseTTAFold，虽然具备高精度，但因其依赖多序列比对、三角更新等计算密集型架构，导致训练和推理成本居高不下。苹果团队此次通过简化模型结构，旨在降低硬件门槛，使更多科研团队能够参与到蛋白质折叠研究中来。
SimpleFold的核心技术是2023年提出的流匹配方法，这种方法源于扩散模型，但在生成过程中进行了创新。它不采用逐步去噪的方式，而是直接从随机噪声中一次性生成目标结构。相比逐步迭代的扩散模型，流匹配方法跳过了多个去噪环节，计算量显著降低，生成速度大幅提升。这一技术在文本生成图像和3D建模领域已取得成功，如今被应用于蛋白质折叠预测。
在实验中，研究人员训练了从100M到3B参数的多个SimpleFold版本，并在CAMEO22和CASP14两大权威基准上进行了评估。这些测试涵盖了模型的泛化性、鲁棒性以及原子级精度等多个方面。结果显示，SimpleFold在性能上稳定优于同类流匹配模型ESMFlow，甚至能够与顶尖模型相媲美。
具体而言，SimpleFold无需使用昂贵的多序列比对和三角注意机制，在CAMEO22基准上达到了AlphaFold2和RoseTTAFold2约95%的性能水平。而更小的SimpleFold-100M版本在保持高效的同时，性能也超过了ESMFold的90%。这一成果验证了通用架构模块在蛋白质预测领域的可行性和竞争力。
研究还发现，随着模型规模和训练数据的增加，SimpleFold的性能稳定提升，尤其在高难度测试中表现出明显优势。苹果团队表示，SimpleFold只是他们探索高效蛋白质生成模型的起点，希望这一成果能够激发社区构建更多强大、高效的模型，从而进一步加速药物研发和新材料探索的进程。