多尺度深度生成模型NeuralPLexer：预测蛋白质-配体复合物结构

**划重点:**

1. 🔬 **新方法介绍:** Iambic Therapeutics、英伟达、加州理工学院联合开发的 NeuralPLexer 利用深度生成模型，仅通过蛋白质序列和配体分子图输入即可直接预测蛋白质-配体复合物结构。

2. 🌐 **多尺度采样:** NeuralPLexer 基于扩散过程，结合生物物理约束和多尺度几何深度学习系统，以原子分辨率采样结合复合物的三维结构和构象变化。

3. ⚙️ **性能优势:** 在评估中，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表现出系统优势，与现有方法相比提高了预测成功率，有望在蛋白质工程和药物发现中发挥重要作用。

科学家们近日在《Nature Machine Intelligence》杂志上发布了一项关于蛋白质-配体复合物结构预测的研究，由 AI 制药公司 Iambic Therapeutics、英伟达（Nvidia Corporation）和加州理工学院联合开发的新方法被称为 NeuralPLexer。

该方法通过深度生成模型，仅使用蛋白质序列和配体分子图输入，能够直接预测蛋白质-配体复合物的结构。NeuralPLexer采用多尺度深度生成模型，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。

在评估中，NeuralPLexer表现出明显的性能优势。与现有方法相比，它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表现出系统优势。在两个具有大结构可塑性的配体结合蛋白基准数据集上，NeuralPLexer的准确性提高了11-13%。

这一新方法有望在蛋白质组规模上加速功能蛋白和小分子设计，为结构生物学、药物发现和蛋白质工程领域带来重大进步。该研究为探索这一领域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。

通过该研究，科学家们对蛋白质-配体复合物的结构预测迈出了重要的一步，为未来的医药研究和生物工程提供了新的可能性。

论文链接:https://www.nature.com/articles/s42256-024-00792-z