bioRxiv｜David Baker：突破蛋白质-小分子相互作用的计算难题，ChemNet革新酶设计与分子对接

文章预览

蛋白质与小分子（如药物、代谢物等）的相互作用在生命活动中扮演着至关重要的角色。这类相互作用的动态行为和构象异质性（conformational heterogeneity）决定了这些分子如何结合及其生物活性。然而，要在原子尺度上精准地模拟这些相互作用一直是计算生物学中的巨大挑战。 尽管近年来深度学习技术，如AlphaFold（AF2/AF3）和RoseTTAFold（RF），在蛋白质结构预测方面取得了显著进展，它们主要依赖氨基酸序列和进化信息来推断蛋白质的结构。这些模型在应对多种不同分子类型（如小分子、有机分子、蛋白质-小分子复合体）的异质性时面临局限。而针对小分子对接的现有工具（如Glide、GNINA和DiffDock）尽管取得了一定的成功，但在处理未见过的受体或新型分子时表现下降。 为了应对这一挑战，David Baker团队开发了一种名为ChemNet的深度学习模型。不同于传 ………………………………