超越AF2？Iambic、英伟达、加州理工学院开发多尺度深度生成模型，进行状态特异性蛋白质-配体复合物结构预测

AIGC动态10个月前发布 almosthuman2014

867 0 0

作者信息

【原文作者】 机器之心
【作者简介】 专业的人工智能媒体和产业服务平台
【微信号】 almosthuman2014

文章摘要

文章主要介绍了一种名为NeuralPLexer的计算方法，该方法可以仅使用蛋白质序列和配体分子图输入直接预测蛋白质-配体复合物结构。NeuralPLexer采用深度生成模型以原子分辨率对结合复合物的三维结构及其构象变化进行采样。该模型基于扩散过程，该过程结合了基本的生物物理约束和多尺度几何深度学习系统，以分层方式迭代采样残留级接触图和所有重原子坐标。

研究指出，尽管深度学习在从一维氨基酸序列预测蛋白质结构方面取得了巨大进步，但蛋白质折叠问题的这种单一结构公式提供了有关蛋白质功能的不完整信息，并且还被发现不足以用于基于结构的药物设计。因此，研究人员提出了一种生成式深度学习方法，即NeuralPLexer，来解决这一问题。

NeuralPLexer包括三个主要模块：基于图的网络、接触预测模块（CPM）和等变结构去噪模块（ESDM）。这三个模块共同工作，以生成精确的蛋白质-配体复合物结构。在对蛋白质-配体盲对接进行评估时，NeuralPLexer的性能优于现有最佳方法，将预测成功率提高了高达78%。此外，NeuralPLexer在选择性预测受诱导拟合结合或构象选择影响的蛋白质结构方面比现有方法表现出系统优势。

总之，NeuralPLexer作为一种数据驱动的方法，具有通用性，并且可以通过整合更好的实验和生物信息数据来持续改进。该研究为探索这些方向提供了通用的计算框架，为快速准确的蛋白质-配体复合物结构预测铺平了道路，从而促进结构生物学、药物发现和蛋白质工程领域的进步。