Targeted finetuning enables co-folding models to learn ligand-induced protein conformational states
本文表明，对 Boltz-1 等基础模型进行针对性微调可以克服训练数据的偏差，从而准确预测新型配体诱导的蛋白质构象状态和变构结合位点，进而实现更有效的药物发现应用。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
几十年来，科学家们一直试图寻找一种仅通过观察遗传密码就能预测蛋白质三维形状的方法。这绝非易事，因为蛋白质并非刚性棒状物，而是灵活的链条，会扭转和弯曲成复杂的形状以执行其功能。近年来，强大的计算机模型已经出现，它们可以极其准确地预测这些形状，甚至在蛋白质与小分子（如药物）结合时也是如此。这些通常被称为“共折叠工具”的模型，是通过庞大的已知结构库进行训练的，学习了蛋白质与分子如何相互契合的一般规则。然而，一个显著的障碍仍然存在：当面对因新药物而改变形状的蛋白质，或者药物结合到一个从未见过的蛋白质部位时，这些模型往往会表现挣扎。如果模型无法察觉这些变化，它就无法帮助研究人员设计依赖于这些变化的药物，从而导致计算机预测结果与活细胞中实际发生情况之间存在差距。
最近，一个研究小组通过展示这些模型的失败并非源于其设计的缺陷，而是源于其学习数据的偏差，从而填补了这一空白。他们证明，通过仔细教导模型一些特定的新案例，它就可以学习预测复杂的、未见的行为。研究人员利用十张关于 Werner 解旋酶（一种参与 DNA 修复的蛋白质，在药物研发过程中被研究过）的新 X 射线图像，对一个强大的现有模型进行了针对性的教学。他们向模型展示了这种蛋白质在特定药物结合到一个不寻常位点时，是如何锁定自身进入失活状态的——而这种变化是原始模型从未遇到过的。结果显示，该模型不仅能够预测这种新的锁定形状，还能正确识别药物的结合位点，同时仍保持其预测蛋白质正常活性形状的原有能力。
研究人员发现，这个经过新训练的模型不仅仅是记住了这十张特定的图像。它学习了药物如何迫使蛋白质发生变化的底层逻辑，从而使其能够推广到它从未见过的不同化学系列的药物上。此外，这种新的理解也转移到了同一家族的其他蛋白质（即 RecQ 解旋酶）中，但前提是结合位点的特定序列必须符合模型所学到的逻辑。这表明该模型真正掌握了变化的机制，而非仅仅是复制形状。这项工作表明，随着新的结构数据不断出现，这些强大的计算机模型是可以被调整和适应的，从而能够捕捉到作为生物调节核心以及药物干预关键的、由配体诱导的开关变化。通过证明局限性在于训练数据而非架构本身，这项研究为更新这些工具以应对现实世界中蛋白质动态变化且不断移动的本质，提供了一条清晰的路径。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。