这篇文章介绍了一种名为 ROCKET 的新型机器学习框架，旨在通过整合实验数据来优化蛋白质结构预测。该方法以 AlphaFold2 作为结构先验，通过在多序列比对（MSA）特征空间而非笛卡尔坐标中进行优化，实现了对预测模型的精准微调。ROCKET 能够处理包括 X射线晶体学、冷冻电子显微镜（cryo-EM）和冷冻电子断层扫描（cryo-ET）在内的多种数据模态。研究表明，该工具在低分辨率或高噪声环境下表现优异，能够捕捉到传统自动化建模方法难以识别的构象变化。其核心优势在于无需重新训练网络即可通过推理过程将实验观测值与生物分子模型相结合。最终，ROCKET 为结构生物学提供了一个可扩展且通用的自动化模型构建框架。
References:
- Fadini A, Li M, McCoy A J, et al. AlphaFold as a prior: experimental structure determination conditioned on a pretrained neural network[J]. Nature Methods, 2026: 1-11.
