基于序列预测无序蛋白质相分离倾向的机器学习模型构建及其生物学意义

来自多学科团队的研究人员通过整合分子模拟与主动学习技术，开发了首个定量预测无序蛋白质相分离倾向的序列模型。该研究不仅精准预测了模拟相分离自由能，其针对实验饱和浓度(Csat)的预测精度更媲美传统模拟方法，为解析生物分子凝聚体（biomolecular condensates）的形成机制及设计相关实验提供了全新工具。

　　生物分子凝聚体（biomolecular condensates）通过相分离（phase separation）形成，这一现象被认为是细胞物质组织的核心原则，并与多种人类疾病密切相关。研究团队创新性地结合分子动力学模拟与主动学习算法，构建了能够直接从蛋白质序列预测相分离倾向的机器学习模型。该模型不仅准确复现了模拟获得的相分离自由能变化（ΔG_PS），对实验测定的饱和浓度（C_sat）预测表现更与复杂模拟结果相当。这项工作为理解转录激活、mRNA调控及免疫信号传导等过程中相分离的分子机制提供了量化工具，同时为设计靶向相分离的疾病干预策略奠定了理论基础。