MaXFlow是以SaaS技術為基礎，將人工智能、分子模擬與實驗設計相融合的材料、藥物研發平台。通過自主研發的工作流引擎和便捷的人機交互設計，用戶可以圖形化的方式在MaXFlow平台中將各種微觀結構設計工具與人工智能模型以及物理模型相融合，將各種類型的數據與最新的人工智能框架相融合，自由構建適用於不同細分領域，不同類型材料、藥物研發的自動化分析、篩選流程。
在傾聽和採納不同領域用戶的使用反饋過程中，MaXFlow產品和技術開發團隊積極創新，對平台功能的多樣性、易用性以及穩定性不斷進行針對性的改進和提升。
2024年2月1日在雲端正式上線MaXFlow 3.10。新版本在大分子結構預測、分子動力學以及實驗設計等多個方面均有明顯的提升。
▇ Alphafold2 蛋白結構預測
AlphaFold是基於AI的精確計算方法，該方法利用多序列比對，將蛋白質結構的物理和生物學知識融入到深度學習算法的設計中，即使在沒有類似結構已知的情況下，也可以以原子精度預測獲得蛋白質的結構。在第14屆國際蛋白質結構預測競賽（CASP14）中，對AlphaFold進行了驗證，證明其在大多數情況下與實驗結構具有競爭力，並且大大優於其他方法。
AlphaFold2的主要變化是直接訓練蛋白質結構的原子坐標，這不僅使得AlphaFold2在解析蛋白結構的速度上有了進一步的提高，而且對幾乎所有的蛋白質都預測出了正確的拓撲學結構，其中有大約2/3的蛋白質預測精度達到了結構生物學實驗的測量精度。
MaXFlow 3.10中增加「Alphafold2蛋白結構預測」組件，僅需要輸入蛋白質序列文件，即可直接預測目標蛋白質的三維結構，實現了端到端的預測。該組件支持對單體和多聚體兩種類型蛋白質的預測，可輸出多個候選預測結果，並且允許對預測結果進行進一步的動力學結構優化。
圖 「Alphafold2蛋白結構預測」工作流
圖 「單體蛋白質結構預測」結果報告
圖 「多聚體蛋白質結構預測」結果報告
▇ 抗體結構預測
免疫受體蛋白在免疫系統中起着關鍵作用，並已顯示出作為生物治療的巨大前景，明確這些蛋白質的結構對於理解其抗原結合特性至關重要。在MaXFlow 3.10中，除了可以使用「AlphaFold2蛋白結構預測」組件進行免疫受體蛋白的結構預測，獲得準確且具有生物學合理性的預測結構，還可以使用「抗體結構預測」組件進行免疫受體蛋白的結構預測。
「抗體結構預測」組件同樣基於深度學習方法，基於大量免疫受體蛋白的結構進行訓練，專門用於抗體、TCR和納米抗體等免疫受體蛋白的結構預測。使用「抗體結構預測」組件預測免疫受體蛋白的結構，除了具有比擬AlphaFold2準確性，可保證預測結果的可靠性，預測效率還可以達到AlphaFold2的近百倍。
圖 抗體Fv預測結構與真實結構對比：真實結構為灰色，預測結構按鏈着色
Abanades B, Wong W K, Boyles F, et al. ImmuneBuilder: Deep-Learning models for predicting the structures of immune proteins[J]. Communications Biology, 2023, 6(1): 575.
「抗體結構預測」組件，僅需要輸入免疫受體蛋白的序列文件，即可直接預測目標蛋白質的三維結構。
圖 「抗體結構預測」工作流
圖 「抗體可變區結構預測」結果報告
圖 「納米抗體結構預測」結果報告
結合 「抗體結構預測」組件與其他相關組件搭建工作流，可以進一步利用預測獲得的免疫受體蛋白結構，從分子結構層面理解和研究免疫受體蛋白的作用機制。
圖 工作流：使用AI模型對抗原進行MHC結合活性及TCR相互作用篩選，並使用「抗體結構預測」組件預測獲得TCR可變區結構，最後通過對接獲得TCR-抗原複合物結構
圖 工作流：使用「抗體結構預測」組件預測獲得抗體可變區結構，並通過對接獲得抗體-抗原複合物結構
▇ 結合自由能計算
MaXFlow 3.10 正式上線「結合自由能計算組件包」，實現對主客體分子之間結合自由能的預測。組件包基於高效並行的分子動力學引擎，結合MaxFlow 產品以及技術開發團隊在力場和動力學模擬方面的專家意見，實現了組件參數的最佳設置，用戶可以在工作流界面通過簡單拖拽就能設置複雜的計算過程，輕鬆與MaXFlow平台已有的MMGBSA、分子對接等其他虛擬篩選組件無縫銜接，實現從低精度到高精度的全面篩選覆蓋。工作流可以反覆使用、修改、分享，且支持僅計算失敗窗口的重算和續算。
「結合自由能計算組件包」提供了受體和配體之間自動化的原子約束算法，並支持自定義和預定配體分子組，可實現複雜情況下主客體之間的結合自由能計算，如：膜蛋白體系，含多種溶劑的混合體系，多配體體系和含輔酶因子的核酸體系。
「結合自由能計算組件包」包含FEP（free energy perturbation）和ATM（Alchemy transfer method）兩種計算方法：
FEP方法為傳統鍊金術的代表性方法，目前適用於所有電中性體系。它使用雙解偶的方法來計算主客體之間的結合自由能，並且預定義了多種lambda 窗口和解耦相互作用方案，同時支持自定義窗口數量和解耦作用類型。
ATM方法適用於所有體系，可以自動計算配體分子轉移路徑。與經典的FEP方法不同，ATM方法在單個溶劑化盒子中就能完成結合自由能的計算，不僅減少了計算量和簡化了計算流程，還消除了由於配體淨電荷擾動而進行結果校正的操作。在ATM方法中，不再需要分別解耦靜電和Lennard-Jones 相互作用、原子映射、定義軟核參數，相比傳統的鍊金術方法更簡單、更通用，特別是對於含骨架跳躍和電荷變化轉化的體系。
圖 工作流：使用FEP方法計算小分子配體和蛋白質受體之間的結合自由能
圖 FEP計算結果查看頁面，表格中顯示的是FEP計算中各窗口的結合自由能，圖表顯示的是FEP過程中的表徵數據，通過它可以識別兩分支中有問題的計算
圖 FEP計算結果匯總頁面，可以直接得到小分子配體和蛋白質受體之間的結合自由能結果
圖 工作流：使用ATM方法計算小分子配體和蛋白質受體之間的結合自由能
圖 ATM自由能分析結果查看頁面，表格中顯示的是小分子配體和蛋白質受體之間的結合自由能結果，圖表顯示的是ATM過程中的表徵數據，通過它可以識別有問題計算
▇ 基於貝葉斯優化的多目標變量實驗設計
MaXFlow 3.10正式上線基於貝葉斯優化的多目標變量實驗設計組件「EDBO（Experimental Design based on Bayesian Optimization）」。
貝葉斯優化是一種用於高效優化黑箱函數的方法。它使用先驗模型來估計未知目標函數的潛在形狀，並通過選擇下一個採樣點來更新模型。這種疊代過程能夠在有限的採樣次數下逐漸收斂到全局最優解。
多目標優化問題是指在給定一組目標函數的情況下，找到一組解，使得在滿足約束條件的前提下，這些解在所有目標函數上都是最優的。然而，多目標優化問題往往涉及到非線性、非凸或者高維的複雜搜索空間，因此尋找全局 Pareto 前沿（Pareto Frontier）成為一個挑戰。
新的EDBO組件實現了貝葉斯多目標變量的帕累托(Pareto)優化，將貝葉斯優化方法擴展到多目標優化領域。在每個疊代步驟中，它使用多個目標函數的採樣來更新先驗模型，並根據模型預測的 Pareto 前沿來選擇下一個採樣點。不僅如此，新組件還可以更充分地利用已有的實驗數據進行模型訓練，進一步減少用戶實驗的次數和疊代循環次數。
圖 工作流：EDBO-EXP-4組件代表第4輪循環得到的模型，通過這個工作流可以在它的基礎上進一步獲取第5輪的推薦實驗點
圖 EDBO的結果查看頁面，表格中顯示的是EDBO組件給出的推薦實驗點
掃碼立即體驗「分子模擬與人工智能平台」
