
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于Graphormer的肽类性质预测机器学习框架:半衰期、溶剂可及性、二级结构与翻译后修饰的统一建模
《Scientific Reports》:A Graphormer approach for predicting peptide half-life, secondary structure, solvent accessibility, and post-translational modifications
【字体: 大 中 小 】 时间:2026年10月14日 来源:Scientific Reports 4.9
编辑推荐:
摘要肽类药物因其高靶点特异性、良好的安全性特征以及高效的组织渗透性,被视为一类极具前景的治疗药物。然而,其临床开发仍受限于体内稳定性差、酶解降解迅速以及血浆半衰期短等问题。肽的构象柔性及其较高的溶剂可及性进一步增加了其对蛋白酶解的敏感性,导致快速清除和治疗疗效降低。尽管环化策
肽类药物因其高靶点特异性、良好的安全性特征以及高效的组织渗透性,被视为一类极具前景的治疗药物。然而,其临床开发仍受限于体内稳定性差、酶解降解迅速以及血浆半衰期短等问题。肽的构象柔性及其较高的溶剂可及性进一步增加了其对蛋白酶解的敏感性,导致快速清除和治疗疗效降低。尽管环化策略及引入非天然氨基酸等方法可以改善稳定性,但在早期阶段,仅基于药代动力学和物理化学性质来识别哪些肽适合进行此类修饰仍然具有挑战性。在此,我们提出了一种基于Graphormer的机器学习框架,用于预测四种关键肽性质:半衰期、相对溶剂可及性、二级结构和翻译后修饰。该框架同时支持环肽和非天然氨基酸,超越了目前许多现有工具的应用范围。为评估性能,我们将预测模型与现有方法在各性质上的表现进行了基准比较。本研究并不侧重于超越当前方法,而是强调所提出框架在肽性质预测中的实际适用性。此外,半衰期预测模型经某制药公司生成的实验数据集进行了验证,展示了该方法在基于用户生成的实验数据进行训练方面的灵活性。