蛋白质模拟的突破：柏林研究人员彻底改变了方法！

蛋白质模拟的突破：柏林研究人员彻底改变了方法！

2025年7月18日，由来自我校Cecilia Clementi教授领导的国际研究团队 柏林自由大学 杂志上的一篇开创性文章自然化学，这在科学界引起了轰动。该文章提出了一种新模型，可以精确有效地模拟蛋白质 - 比传统的分子动力学模拟快得多。

真实描述蛋白质折叠和动力学的挑战已经存在了 50 多年。研究人员利用深度学习开发了一个近似全原子蛋白质模拟的系统。新开发的模型 CGSchNet 使用图神经网络来学习粒子之间的有效相互作用。这些创新方法在开发癌症和其他疾病的药物和抗体疗法方面开辟了有前景的应用。

蛋白质模拟的进展

该模型侧重于蛋白质的动态折叠过程，包括在淀粉样蛋白等错误折叠中发挥作用的中间状态。它模拟对蛋白质功能至关重要的折叠状态之间的转变。该模型的一个显着进步是能够准确预测折叠、未折叠和无序蛋白质的长期状态。

CGSchNet 模型最显着的特点之一是能够预测折叠蛋白突变体的相对稳定性，这是以前的方法无法实现的。塞西莉亚·克莱门蒂 (Cecilia Clementi) 教授曾任德克萨斯州休斯顿莱斯大学化学和物理学教授，目前正在柏林自由大学加强理论和计算生物物理学研究。他们的工作得到了爱因斯坦教授席的支持，该教授席支持柏林大学和夏里特医院的任命或居住谈判。

详细数据和模型

该研究使用了全面的数据集。基准数据集包含 1,262 个靶标，涵盖广泛的蛋白质结构，包括 717 个单域蛋白质、257 个新发布的靶标以及来自 CASP 8-14 的 288 个靶标。准备这些数据集是为了消除冗余并将序列同一性调整到 <30% 的截止值。

Human Protome 数据集包含 20,595 个蛋白质，可对单域和多域蛋白质进行差异化分析。其中，预测了 19,512 个蛋白质，这对于结构预测具有潜在的重要意义。此外，使用混合方法进行蛋白质结构预测的 D-I-TASSER 管道也被纳入该研究中。

该管道执行从深度 MSA 生成到线程模板识别，再到结构细化和模型评估的所有步骤。 DeepPotential 和 AttentionPotential 等最先进算法和技术的使用说明了该工作的创新特征。

该研究的结果可转移到特定训练数据集之外的各种蛋白质，这强调了该模型与生化研究的相关性。该研究中开发的方法的应用可能会对蛋白质研究和药物开发的未来产生深远的影响。更多信息请参阅详细出版物 自然 去寻找。