# RoseTTAFold

## 核心定义
RoseTTAFold 是一种基于深度学习的蛋白质三维结构预测模型，由华盛顿大学 David Baker 团队于 2021 年开发。它采用独特的“三轨”架构（1D 序列、2D 残基对距离、3D 坐标），通过迭代信息传递实现高精度结构预测，与 AlphaFold2 并列成为计算结构生物学里程碑式的工具。

## 关键技术点
1. **三轨网络架构**  
   分别处理序列信息（1D）、残基间距离与角度（2D）以及原子坐标（3D），三个轨道间通过注意力机制循环交换信息，使预测结果从粗到精逐步收敛。

2. **端到端迭代细化**  
   初始模型生成后，网络将预测坐标反馈回 2D 轨道进行修正，再更新 3D 坐标，形成多次迭代优化循环，无需额外模板即可达到接近实验精度。

3. **多序列比对（MSA）高效压缩**  
   与 AlphaFold2 不同，RoseTTAFold 使用轻量化的 MSA 处理模块，参数量更少、训练与推理速度更快，且在预测蛋白质复合物结构时仍保持较高准确率。

4. **可解释的中间表征**  
   模型的中间 2D 距离矩阵可直接映射为残基接触图，为研究者提供结构生物学层面的可解释性，有助于分析蛋白质折叠的物理约束。

## 医学/神经科学应用场景
**帕金森病 α-突触核蛋白聚集机制研究**  
首都医科大学神经病学团队聚焦 α-突触核蛋白错误折叠在帕金森病发病中的核心作用。利用 RoseTTAFold 可精准预测野生型及致病突变（如 A53T）的 α-突触核蛋白单体结构，并进一步模拟其与分子伴侣 HSP70 的复合物界面。通过比较不同突变体的结构变化（如 β-片层暴露位置），揭示促进聚集的关键残基，从而指导针对构象过渡的小分子抑制剂设计，为神经退行性疾病药物开发提供原子级结构基础。