💡
原文中文，约3400字，阅读约需8分钟。
📝
内容提要
华盛顿大学研究团队开发了LigandMPNN，一种基于深度学习的蛋白质序列设计方法，能够有效模拟非蛋白质原子和分子。该方法在设计与小分子、核苷酸和金属相互作用的蛋白质方面表现出色，显著提升了结合亲和力和结构准确性。LigandMPNN已成功设计出100多种经过实验验证的结合蛋白，展现出广泛的应用潜力。
🎯
关键要点
- 华盛顿大学研究团队开发了LigandMPNN，一种基于深度学习的蛋白质序列设计方法。
- LigandMPNN能够有效模拟非蛋白质原子和分子，提升结合亲和力和结构准确性。
- 该方法在设计与小分子、核苷酸和金属相互作用的蛋白质方面表现出色。
- LigandMPNN已成功设计出100多种经过实验验证的结合蛋白，展现出广泛的应用潜力。
- 研究团队提出的LigandMPNN在天然主链序列恢复方面明显优于现有方法。
- LigandMPNN不仅能生成序列，还能生成侧链构象，以便详细评估结合相互作用。
- 该研究的论文标题为《Atomic context-conditioned protein sequence design using LigandMPNN》，于2025年3月28日发布在《Nature Methods》。
- 从头蛋白质设计分为三个步骤，其中第二步为蛋白质序列设计。
- 现有的深度学习模型无法结合非蛋白质原子和分子，限制了蛋白质功能的设计。
- LigandMPNN通过推广ProteinMPNN架构，纳入非蛋白质原子以实现更广泛的蛋白质功能设计。
- 研究人员构建了蛋白质-配体图，以增强蛋白质与配体之间的相互作用建模。
- LigandMPNN模型的参数数量为262万，速度较快，适合处理大规模蛋白质设计。
- LigandMPNN在设计氨基酸与非蛋白质分子相互作用方面优于基于物理的Rosetta。
- 研究人员建议在设计包含稀有元素的化合物时谨慎使用LigandMPNN。
- LigandMPNN已被广泛用于设计蛋白质与核酸和小分子的相互作用，获得了大量实验验证。
- Baker团队认为LigandMPNN将在蛋白质设计中得到广泛应用，创造新一代小分子结合蛋白、传感器和酶。
❓
延伸问答
LigandMPNN是什么？
LigandMPNN是一种基于深度学习的蛋白质序列设计方法，能够有效模拟非蛋白质原子和分子。
LigandMPNN相比于Rosetta有什么优势？
LigandMPNN在设计氨基酸与非蛋白质分子相互作用方面速度快250倍，结合亲和力提高100倍，且结构准确性更高。
LigandMPNN的应用潜力如何？
LigandMPNN已成功设计出100多种经过实验验证的结合蛋白，展现出在小分子、核酸和金属相互作用设计中的广泛应用潜力。
LigandMPNN的开发背景是什么？
LigandMPNN由华盛顿大学的研究团队开发，旨在克服现有深度学习模型无法结合非蛋白质原子和分子的限制。
LigandMPNN的设计过程是怎样的？
LigandMPNN的设计过程包括生成蛋白质主链、设计氨基酸序列和使用结构预测方法进行兼容性过滤。
LigandMPNN在实验中表现如何？
实验表明，LigandMPNN在设计蛋白质与小分子和核酸的结合方面表现出色，且与计算模型高度一致。
🏷️
标签
➡️
