Nat Methods｜David Baker等： 基于LigandMPNN的原子级蛋白序列设计

背景：近年来，深度学习技术在蛋白质应用领域取得了革命性进展，但在蛋白质序列设计中往往忽略非蛋白质组分的建模。研究目的：为解决这一问题，华盛顿大学David Baker团队开发了LigandMPNN，一种能够显式建模生物分子系统中所有非蛋白质组分的深度学习方法。结论：实验表明，LigandMPNN在小分子、核苷酸和金属相互作用残基的天然序列恢复率上显著优于ProteinMPNN，并通过实验验证展现了其在功能性蛋白质设计中的实用价值。