Nat Chem｜用机器学习粗粒模型绘制蛋白质构象地图

本研究结合深度学习方法与大规模全原子蛋白质模拟数据，开发了一种具有化学可转移性的自底向上粗粒模型（CGSchNet）。该模型在多个蛋白质系统上展示了出色的预测能力，包括折叠、解折叠、中间构象亚稳态、内在无序蛋白波动行为以及突变体自由能差异，同时计算速度比全原子模型快几个数量级。研究结果表明，该模型不仅能用于蛋白质结构预测，还能模拟构象转变过程，并具备较强的外推能力。通过与其他主流CG模型的对比，CGSchNet在构象态识别和自由能景观预测方面表现更优。此外，模型还成功应用于配体诱导折叠机制和蛋白突变效应分析，为蛋白质动力学研究和分子设计提供了新工具。