MAI-TargetFisher：人工智能与物理建模协同增强的全蛋白质组药物靶点预测新方法，开启药物研发新篇章

在药物研发中，计算靶点识别至关重要。研究人员构建覆盖 82% 蛋白质编码基因组的蛋白质结构数据库，整合人工智能和生物物理模型等技术，开发出 MAI-TargetFisher 方法。经实验验证，该方法命中率高、可靠性好，还提供免费网络服务器，助力药物研发。

　　计算靶点识别在药物开发过程中起着关键作用。随着深度学习用于蛋白质结构预测取得重大进展，人类蛋白质组的结构覆盖率大幅提高。这一进展促使了首个全基因组小分子靶点扫描方法的诞生。该方法旨在药物发现过程的早期定位药物靶点并检测潜在的脱靶效应，进而提高药物开发的成功率。

研究人员构建了一个高质量的蛋白质结构数据库，其中标注了潜在结合位点，覆盖了 82% 的蛋白质编码基因组。在此数据库的基础上，为增强搜索能力，研究人员整合了包括基于人工智能和基于生物物理模型的计算技术，由此开发出一种名为多算法集成靶点搜索器（Multi-Algorithm Integrated Target Fisher，MAI-TargetFisher）的靶点识别方法。MAI-TargetFisher 利用多种方法的互补优势，同时尽量减少其弱点，能够精确地在数据库中搜索，为活性查询分子生成可靠排序的候选靶点集。

重要的是，这项研究首次对整个人类基因组的蛋白质表面进行全面扫描，旨在评估每种蛋白质上潜在的小分子结合位点。通过对基准数据集和靶点识别任务的一系列评估，结果表明，在湿实验的验证下，该方法具有高命中率和良好的可靠性。研究人员还提供了一个可免费访问的网络服务器（网址：https://bailab.siais.shanghaitech.edu.cn/mai-targetfisher ），供非商业用途使用。