使用基于深度学习的框架 ProteinMPNN 扩展合成结合蛋白的序列空间

研究团队利用 ProteinMPNN 扩展了合成结合蛋白（SBP）的序列空间，提高了其溶解度和稳定性，并表明 ProteinMPNN 设计的蛋白质优于传统方法。

　　

蛋白质设计对于人类疾病的治疗至关重要，但传统的蛋白质设计方法存在一些局限性。定点诱变高度依赖于亲本蛋白质的生理特性和结构。定向进化仅探索天然蛋白质周围的序列空间区域。基于物理方法的蛋白质从头 设计软件依赖能量函数来预测蛋白质的稳定性和折叠行为，但目前的能量函数可能不足以准确模拟自然界中蛋白质复杂的折叠和相互作用，这导致设计失败。

针对上述问题，重庆大学薛伟伟博士领衔的研究团队在 高等教育出版社和施普林格·自然出版社联合出版的《计算机科学前沿》杂志 上发表了最新研究成果。

该团队首次利用先进的基于深度学习的框架ProteinMPNN，扩展了合成结合蛋白（SBP）的序列空间。利用ProteinMPNN设计的合成结合蛋白与经典蛋白质工程方法相比，表现出了更优异的性能。

全面的生物信息学分析表明，ProteinMPNN 生成的新型蛋白质序列相比原始 SBP 表现出更高的溶解性和稳定性。值得注意的是，基于单体结构设计的序列在溶解性和稳定性方面优于基于复合结构设计的序列，而基于复合结构设计的序列则表现出更优异的计算结合能。通过严格的筛选，我们鉴定出八种溶解性和稳定性显著提升的骨架材料，包括基于新制癌菌素的结合剂、Diabody、基于 CI2 的结合剂、scFv、Repebody、Fab、Affilin 和 Evibody。