编辑推荐:
生成式人工智能(AI)已推动蛋白质设计领域取得显著突破,使得能够针对多样靶标快速、计算引导地创建高亲和力结合物(high-affinity binders)。尽管已经展现出显著的实验成功,用于过滤和评估设计的置信度指标(confidence metrics)仍
生成式人工智能(AI)已推动蛋白质设计领域取得显著突破,使得能够针对多样靶标快速、计算引导地创建高亲和力结合物(high-affinity binders)。尽管已经展现出显著的实验成功,用于过滤和评估设计的置信度指标(confidence metrics)仍针对静态蛋白质界面(static protein interfaces)进行优化,当应用于代表性不足或构象复杂的靶标时可能会失效。在本综述中,研究人员概述了深度学习驱动的蛋白质设计流程的当前景观,讨论了在肽(peptide)、小分子(small molecule)、结合物(binder)、疫苗(vaccine)和抗体(antibody)设计中的定制应用,并认为集成基于集合的方法(ensemble-based methods)是提高设计成功率的有效途径。除了单一靶标结合物设计外,研究人员进一步强调了扩展所设计蛋白质功能范围的新兴策略,包括折叠转换支架(fold-switching scaffolds)和通过工程化环肽(engineered cyclic peptides)实现的分子胶(molecular glues),这些策略能够实现蛋白质-蛋白质相互作用网络(protein–protein interaction networks)的上下文依赖性控制。总之,这些进展将从头蛋白质设计(de novo protein design)定位为一个广泛适用的技术平台,处于结构生物学(structural biology)、生物物理学(biophysics)和分子医学(molecular medicine)的交叉领域。
蛋白质设计流程的当前路线图(The current roadmap of protein design pipelines)
现代计算蛋白质设计工作流程依赖多阶段深度学习流程,以产生具有靶标特异性的功能性结合物。流程整合结构生成、序列优化和高置信度验证。扩散模型(diffusion models)如RFdiffusion和RFantibody能够从高斯噪声逐步构建蛋白质骨架,在靶标结构上定义表位周围生成骨架。生成的骨架输入消息传递神经网络(MPNNs),如ProteinMPNN和LigandMPNN,以分配序列;其中LigandMPNN还考虑配体、辅因子和金属离子。Caliby等模型则基于部分扩散的合成集合进行条件化,以更广泛地采样与多骨架构象一致序列。随后,通过蛋白质结构预测模型(如AlphaFold)进行过滤,以确保设计的蛋白质与靶标结合。最终过滤阶段采用一系列互补指标,包括pLDDT、pTM、ipTM、pAE、ipAE、ipSAE和iLIS,以保留具有高模型置信度、占据正确表位且无空间冲突的复合物。另一种方法,如BindCraft、BoltzDesign或ESMFold2-design,反转结构预测框架(如AlphaFold2、Boltz-1或ESMFold2)作为引导生成结合物的预言机(oracle),通过每次迭代共同折叠结合物和靶标,迭代优化序列,同时评估结合几何并诱导靶标构象适应。非界面区域再由MPNN细化以改善可表达性和稳定性。最后优化序列经结构预测重新评估。最近开发的全原子生成模型,如RFdiffusion3、BoltzGen、Latent-X和Chai-2,能够单次联合设计结合物序列和结构;其中Chai-2和Germinal专门用于抗体和纳米抗体设计。OpenDDE作为统一结构预测和条件设计的全原子基础模型,在抗体-抗原复合物基准上报告了出色的性能(约70% DockQ成功率)。
复杂生物学的评分(Scoring complex biology)
当前用于评分所生成结合蛋白的计算