中国科大开发深度学习模型预测蛋白质构象变化

最近，中国科学院中国科学技术大学的WANG Qian教授和上海科技大学的白方教授的研究小组合作提出了一种用于预测蛋白质构象变化的深度学习模型。这一成果发表在《Advanced Science》杂志的在线版上。

　　

最近，中国科学院中国科学技术大学的WANG Qian教授和上海科技大学的白方教授的研究小组合作提出了一种用于预测蛋白质构象变化的深度学习模型。这一成果发表在《Advanced Science》杂志的网上。

近年来，以AlphaFold为代表的深度学习模型在预测蛋白质的静态结构方面取得了巨大的成功。然而，蛋白质的功能取决于它们的动态特性。研究人员正在积极探索其他旨在预测蛋白质动态行为（如构象变化）的深度学习算法。开发这种模型的主要挑战之一是严重缺乏描述构象转变的动力学数据。

为了克服这一挑战，研究人员将物理约束的粗粒度分子动力学模型与增强的采样方法相结合，以创建一个有效的计算框架来模拟蛋白质变构。该框架用于模拟存在于两种已知稳定状态的2635蛋白的构象变化，捕获沿每个过渡途径的结构信息。这项广泛的模拟工作的结果是第一个大规模的蛋白质动力学数据库，为研究蛋白质的运动和变化提供了丰富的资源。

利用这个数据库，该团队开发了一个名为PATHpre的通用深度学习模型，旨在预测蛋白质两种稳定状态之间的变弹性途径。该模型显示了对不同序列长度的蛋白质（从44到704个氨基酸）的强大预测能力，并且对多种变构系统（包括形态发生蛋白）有效。研究人员根据几个系统的实验和模拟数据验证了该模型的预测，获得了一致的结果，甚至揭示了人类β-心脏肌球蛋白（一种对心脏功能至关重要的蛋白质）的一种新的变构调节机制。

PATHpre模型的开发是蛋白质动力学预测建模的重要一步。它不仅能够预测过渡状态，还能预测构象变化的整个途径，这为蛋白质的功能和调控提供了新的见解。该模型有可能彻底改变我们对蛋白质行为的理解，并可能在开发针对蛋白质错误折叠疾病的新疗法中发挥关键作用。

Exploring Protein Conformational Changes Using a Large-Scale Biophysical Sampling Augmented Deep Learning Strategy