美国华盛顿大学的研究人员开发了名为STARLING的深度学习框架，是首个能从序列直接生成高质量构象集成的深度学习工具，成功攻克了天然无序蛋白（IDPs）构象预测难题，填补了相关领域的方法空白，推动蛋白质科学从静态结构解析迈向动态构象功能研究的新范式。相关研究成果于2026年2月18日发表在《自然》期刊上。

STARLING采用创新的计算架构，将蛋白质三维构象转化为二维距离图，并利用变分自编码器将其压缩至低维潜在空间，大幅降低计算复杂度。随后，模型引入条件去噪扩散概率模型，在潜在空间中学习如何根据序列信息逐步“去噪”以生成对应的距离图，最后重构为三维坐标，实现了从氨基酸序列到准确构象集成的快速生成。

研究显示，STARLING在一块GPU上仅需约12秒即可生成包含400个构象的集成，速度远超传统模拟。在验证环节，该模型不仅高精度复现了粗粒化模拟数据，还成功复现了133个序列的小角X射线散射实验值，并能敏锐捕捉由点突变或离子强度变化引起的构象改变。

信息来源：

https://www.nature.com/articles/s41586-026-10141-2