PEPBI数据库：蛋白质-肽段结合预测与实验数据的整合平台及其在计算设计中的应用

本研究针对蛋白质-肽段相互作用缺乏高质量结构-热力学配对数据的瓶颈，开发了PEPBI数据库，整合329组基于实验结构的预测复合物及其ΔG、ΔH、ΔS热力学参数。通过Rosetta Interface Analyzer计算40种界面特性，结合严格筛选标准（肽段长度5-20残基、分辨率≤2.0?等），为机器学习模型训练提供关键数据集，推动具有特定结合特性的肽段设计研究。

　　

在生命科学领域，蛋白质与短肽（peptide）的相互作用如同精密锁钥，调控着从细胞信号传导到免疫应答的关键过程。尽管天然肽段在药物开发（如GLP-1类似物）和诊断工具中展现出巨大潜力，但如何理性设计具有特定结合特性的合成肽段仍是重大挑战。当前瓶颈在于缺乏系统性的结构-热力学配对数据：虽然X射线晶体学能解析复合物结构，等温滴定量热法（ITC）可测量结合热力学参数，但这两类数据往往分散在不同研究中，且缺乏标准化处理。更棘手的是，肽段结合伴随显著的熵罚（entropic penalty）——这些无序分子在溶液中失去自由度会导致ΔS大幅降低，而现有计算方法对此预测能力有限。

为破解这一难题，Jazmine A. Torres、Chris A. Kieslich和Robert J. Pantazes团队在《Scientific Data》发表了PEPBI数据库。研究团队通过五步筛选流程（如图1所示），从185个初始复合物中最终锁定22组核心体系，并纳入其突变变体共181组复合物。这些数据严格满足八大标准：肽段长度5-20残基、晶体分辨率≤2.0?、蛋白序列相似性<30%、存在未结合状态蛋白结构等。尤为关键的是，所有复合物均配套ITC实测的ΔG、ΔH、ΔS数据——或通过KD（解离常数）与温度换算获得。对于实验结构中缺失的片段，团队采用Modeller补全短缺口，RoseTTAFold预测长片段，最终通过CHARMM36和Rosetta力场进行能量优化。

关键技术方法包括：1）基于PepSet数据库的六重筛选标准扩展为八重标准；2）采用Modeller和RoseTTAFold补全实验结构缺失区域；3）CHARMM36力场约束性优化与Rosetta全原子能量最小化；4）Rosetta Interface Analyzer（RIA）计算40种界面特性；5）多维度技术验证（包括与MM/PBSA方法的ΔG分布对比）。

数据记录

PEPBI数据库包含五大组件：Excel格式的热力学-结构参数表、Python3数据转换脚本、预测复合物的PDB文件、ChimeraX可视化比对文件、验证数据文档。其中核心数据表采用三级分类：结合组（如Fyn SH3-P2L）、晶体学单元（如A2B2二聚体）、单元拷贝（如C1）。突变信息通过标准化符号记录（如P2G表示第2位脯氨酸突变为甘氨酸）。

技术验证

图3左图显示，RIA计算的ΔG分布（中位数-6.2 kcal/mol）与抗体-抗原突变体数据趋势一致，但显著优于MM/PBSA方法。然而右图揭示当前计算方法的局限性——预测ΔG与实验值相关系数仅0.32，凸显开发新算法的迫切性。

结论与展望

PEPBI首次系统整合了蛋白质-肽段复合物的预测结构与实验热力学数据，其三大创新点在于：1）严格匹配的实验-计算数据对；2）涵盖熵变（ΔS）的关键参数；3）标准化的界面特性描述（如疏水接触面积dSASA_hphobic、界面氢键数hbonds_int）。该数据库不仅可用于改进现有结合自由能预测算法，更将为机器学习驱动的肽段设计提供黄金标准训练集。未来通过纳入更多膜蛋白-肽段体系或翻译后修饰数据，有望进一步拓展其在GPCR靶向药物开发等领域的应用价值。