GRASP模型：整合多源实验数据助力蛋白质复合物结构精准预测

来自国内的研究人员针对蛋白质复合物结构预测中实验数据稀疏且分散的难题，开发了GRASP模型。该工具创新性地整合交联质谱(Crosslinking)、共价标记(Covalent labeling)、化学位移扰动(Chemical shift perturbation)及深度突变扫描(DMS)等多模态实验数据，在抗原-抗体复合物预测中性能超越AlphaFold3，为结构互作组学(interactome)及近细胞环境建模提供了新范式。

　　

在生命科学前沿领域，蛋白质复合物的三维结构解析犹如破解生命活动的分子密码。传统实验手段如交联质谱(Crosslinking-MS)、共价标记(Covalent labeling)虽能提供结构线索，但数据往往呈现碎片化特征。GRASP模型的横空出世，巧妙融合了化学位移扰动(Chemical Shift Perturbation)和深度突变扫描(Deep Mutational Scanning, DMS)等多元实验约束，像高精度拼图般重构蛋白质相互作用界面。特别在抗原-抗体这对"分子锁钥"的预测中，当引入DMS或共价标记数据时，其表现甚至碾压结构预测巨头AlphaFold³。更令人振奋的是，该模型成功应用于线粒体互作组(interactome)的规模化建模——通过解析原位交联大数据，首次在近细胞环境中描绘出蛋白质相互作用的动态图谱。这种"实验数据驱动+AI赋能"的双引擎策略，不仅为药物靶点发现插上翅膀，更开辟了复杂生理环境下结构生物学研究的新纪元。