SeaMoon：基于蛋白质语言模型的连续构象异质性预测新方法

来自Lombard等研究团队的最新成果SeaMoon，通过将轻量级卷积神经网络与蛋白质语言模型(pLM)结合，首次实现仅凭氨基酸序列预测蛋白质连续构象变化。该方法在~1,000组实验构象数据集上验证，对40%测试蛋白能准确预测至少一种真实运动模式，突破了传统基于3D几何结构的正态模式分析(NMA)局限，为无结构信息的蛋白质功能研究开辟新途径。

　　蛋白质的动态构象变化决定其生物学功能，但传统基于三维结构的分析方法存在局限。这项突破性研究开发出SeaMoon算法，巧妙利用蛋白质语言模型(pLM)的序列嵌入特征，仅需轻量级卷积神经网络就能捕捉从原子振动到结构域位移的多尺度运动。与依赖晶体结构的正态模式分析(NMA)相比，该工具不仅能识别~40%测试蛋白的真实构象变化，更展现出跨蛋白质家族的迁移学习能力。特别值得注意的是，SeaMoon揭示了传统物理方法难以检测的别构运动(allosteric motion)，其模块化设计还支持快速整合新一代pLM模型。这项技术为从序列直接推断蛋白质动态特性提供了全新范式，在药物靶点发现和酶工程领域具有重要应用前景。