北大团队提出ProAR，用概率自回归捕捉分子动力学构象不确定性
ProAR用概率自回归逐步预测构象分布，而非固定单帧，精准捕捉蛋白质动态不确定性，兼顾灵活性和稳定性。
蛋白质动不动才重要，但分子动力学模拟（用计算机模拟原子运动）又贵又短。北大新方法ProAR把轨迹生成变成逐步预测分布——每次不只给一个结构，而是给一个概率分布，再采样。在ATLAS数据集上，重建误差降7.5%，构象变化准了25.8%。
正文摘录
.jpg) 作者 | 论文团队 编辑 | ScienceAI AlphaFold 等结构预测模型已经显著提升了我们预测蛋白质静态结构的能力。但对许多生物过程而言，真正关键的并不只是某一个稳定构象，而是蛋白质如何在不同构象之间连续变化，以及这些变化中包含怎样的不确定性。 分子动力学模拟（MD）正是研究这类动态过程的核心工具，但其计算代价高、可达时间尺度有限。近年来，深度生成模型开始尝试学习 MD 数据并生成蛋白质轨迹；然而，现有方法往往将整段轨迹作为固定长度的高维时空对象联合生成，难以广泛探索自由能面，并灵活扩展到不同长度的动力学过程。 基于此，来自北京大学等机构的研究团队提出了一种用于轨迹生成的概率自回归框架——ProAR。ProAR 的核心贡献，是将蛋白质 MD 轨迹建模为一个概率自回归过程：模型沿时间逐步生成轨迹，并在每一步预测构象分布，而不是单一确定结构。通过这种设计，ProAR 使轨迹生成同时具备构象不确定性建模与可变长度生成能力。在 ATLAS 大规模蛋白质 MD 数据集上，ProAR 相比已有 SOTA 方法重建误差降低约 7.5%，构象变化准确性平均提升约 25.8%。 相关论文以《ProAR: Probabilistic Autoregressive Modeling for Molecular Dynamics》为题发布，已被 AAAI 2026 录用。