【论文阅读】State-specific protein-ligand complex structure prediction with a multi-scale deep generative

State-specific protein-ligand complex structure prediction with a multi-scale deep generative model

1、论文概述

“State-specific protein–ligand complex structure prediction with a multiscale deep generative model” 提出了一种名为 NeuralPLexer 的计算方法，通过端到端的生成建模策略直接从蛋白质序列和配体分子图输入预测蛋白质 - 配体复合物结构及其构象变化。该方法结合了小分子信息和生物物理归纳偏差，在蛋白质 - 配体复合物结构预测基准测试中优于现有方法，能够准确建模配体和结合口袋结构，在预测具有大构象变化的配体结合蛋白结构方面表现出色，可用于解释变构和催化机制，为蛋白质工程和药物设计等提供了有前景的工具。

2、蛋白质-配体复合物结构预测的背景与挑战

2.1 蛋白质结构与功能的关系

蛋白质结构预测虽有进展，但单结构公式不足以提供蛋白质功能完整信息，其结构受小分子（如配体）动态调节，构象变化对生物功能调控至关重要，靶向蛋白质构象的小分子策略在治疗中日益重要。

2.2 蛋白质-配体复合物建模的挑战

模拟蛋白质 - 配体复合物中受体构象的变化成本高昂，现有方法如分子动力学模拟、分子对接、结构预测网络修改等存在局限性，尚未有能在原子分辨率下系统预测结合复合物结构且精度可比实验的生成模型。

3、NeuralPLexer 模型的架构与训练