Nat Chem Biol | 郑明月/张素林/王明亮合作开发蛋白质-配体相对结合亲和力预测的深度学习模型 PBCNet2.0

该研究由中国科学院上海药物研究所郑明月、张素林和王明亮团队合作完成，发表于Nature Chemical Biology。背景方面，蛋白质-配体结合亲和力的准确预测对分子探针和先导化合物优化至关重要，但传统物理模拟方法如FEP+虽精度高却计算成本大。研究目的旨在开发一种兼具结构信息利用、预测精度和计算效率的智能模型。结论显示，团队提出的PBCNet2.0通过引入约860万对训练数据集（较前期提升14倍）和基于笛卡尔张量的等变神经网络，能有效表征原子级三维几何相互作用。模型以成对蛋白质-配体复合物结构为输入，预测相对活性差异。外部测试表明，其排序能力与FEP+相近，但计算效率显著更高，可优化先导化合物并减少资源投入。机制分析证实模型能捕捉精细相互作用（如氟正交多极作用），并在口袋突变预测中展现迁移能力。前瞻性验证在ENPP1和ALDH1B1体系中证实了其应用潜力。