药研猿的博客

DeePNAP是一种基于机器学习的蛋白质-核酸结合预测工具，仅需输入蛋白和核酸序列即可快速预测结合亲和力（KD值）和突变自由能变化（ΔΔG）。该模型在14401个数据条目上训练，预测KD时平均皮尔逊相关系数达0.86-0.93，精度优于同类工具。支持DNA/RNA序列输入及多种突变格式分析（单点突变、缺失、多点突变等），计算过程仅需1秒。用户可通过在线平台http://14.139.174.41:8080/input_page 免费使用，结果包含KD、KA、ΔG和ΔΔG等关键参数解读。该成果发表于《Jour

PPI-ID（Protein-Protein Interaction Identifier）是由美国德克萨斯大学奥斯汀分校的Haley V. Goodwin和Nigel S. Atkinson开发的一款工具，旨在预测蛋白质间的潜在相互作用界面。该工具整合了ELM、3did、Interpro和DOMINE等数据库信息，通过映射蛋白质相互作用结构域和基序到分子结构上，筛选出可能相互作用的区域。PPI-ID还支持基于蛋白质序列的预测，特别是在使用AlphaFold-Multimer进行建模时，能有效识别适合的相互

这四个模块从微观相互作用到全局结构布局，提供了丰富的数据与可视化支持，可以帮助我们更深入地理解蛋白质的稳定性、功能调控及相互作用机制。Schmidt S;

在蛋白质结构功能研究中，动态柔性特性的理解至关重要。本文推荐一款高效、可靠的蛋白质柔性模拟工具 —— CABS-flex 2.0。CABS-flex 2.0 是一款专为蛋白质柔性快速模拟设计的建模工具，基于著名的CABS粗粒度建模框架开发。通过有效简化系统描述，CABS-flex 2.0 能在保持合理生物物理准确度的前提下，将蛋白质动态模拟的计算成本降低约三个数量级，大幅提升模拟效率。

②综合多个预测算法（COFACTOR、TM-SITE、S-SITE等）结合结构、功能注释和进化信息，预测酶的功能位点和突变热区（hot spots）①输入结构即可预测；通过机器学习预测蛋白质的结合位点（binding pockets）基于结构的蛋白质配体结合位点预测工具（整合多个算法）通过序列保守性分析预测功能位点（常用于活性位点识别）②预测催化位点、稳定性影响位点等。识别蛋白质结构中的口袋（pockets）和活性位点。②可计算结合口袋体积和位置。使用深度学习方法预测蛋白的小分子结合位点。

GeoFlow-V2 性能表现出色。在蛋白质结构预测方面，抗体 - 抗原结构预测的 Top-1 DockQ 成功率达 45.19% ，超越众多对比方法（如AlphaFold 3, Protenix, Chai-1, Boltz），且约束条件能显著提升其性能；蛋白质 - 配体结构预测成功率为 77%；其轻量级变体在超快速抗体结构预测上，比 AlphaFold Multimer V2.3 快 150-250 倍，精度相当或更优。

这是一个旨在重现 AlphaFold3 并推动生物分子结构预测发展的，通过改进方法、提高模型性能和增强可及性，为跨学科研究提供支持。在不同分子类型的结构预测中表现出色，与 Alphafold3、Alphafold-Multimer 2.3 和 RoseTTAFold2NA 相比，Protenix 在预测蛋白质-配体、蛋白质-核酸等复合物结构上有较强性能。

SwissDock是一款自2010年推出的免费分子对接网络服务，基于EADock DSS算法开发，用于预测靶标蛋白与小分子之间的相互作用。该平台致力于降低分子对接软件的使用门槛，使这一技术不仅限于传统的分子建模领域，还能惠及更广泛的研究人员，包括药物化学、生物医学等领域的非计算专家。SwissDock提供用户友好的在线界面，支持快速上传蛋白和小分子结构，自动完成对接计算，并可视化分析结果。其提供了两种对接算法的切换，分别是以及。前者后起之秀，后者经典老古董。

本期向大家介绍一款蛋白/核酸结构快速渲染（卡通风格）的小工具——。放心！本期完全不涉及代码，不折腾人，请放心食用。结构渲染效果示例如下：该小工具适用绘制蛋白或复合物整体轮廓，但不适合用来绘制残基侧链的相互作用。illustrate绘制的风格是我本人非常喜欢的“卡通风”。尽管Chimera也可以实现此功能，但毕竟还是要费些功夫的。illustrate则可以一键出图，丝滑~。

PRODIGY（全称为 PROtein binDIng enerGY prediction）是一种蛋白质结合能预测工具，可利用蛋白质-蛋白质复合物的三维结构来预测其结合亲和力。PRODIGY 利用一种高效的基于接触的方法，在估计结合自由能和解离常数的同时，还能深入揭示蛋白质相互作用的结构决定因素。通过将界面接触特性与非相互作用表面特征相结合，PRODIGY 能够做出可靠的预测，这对于理解分子间相互作用、指导治疗方案的开发以及设计蛋白质复合物至关重要。

•默认映射：DockQ 会尝试找到天然结构和模型中界面之间的最佳映射。对于同型二聚体，软件会报告具有最高 DockQ 分数的映射（如 AB -> AB 或 AB -> BA）。•完全映射：使用指定模型和天然链之间的完整映射。例如或。•部分映射：可以使用通配符进行部分映射。例如或。•限制搜索到天然界面的子集：使用或等限制搜索到特定的天然界面。

•不足之处：未来需进一步整合先进的力场，拓展工作流程对更复杂生物系统（如膜蛋白）的适用性。•意义：FEP-SPell-ABFE 工作流程实现了 ABFE 计算的自动化，准确性高、可重复性强，且对用户干预需求少。它为药物发现提供了有价值的工具，有助于高效筛选和优先排序药物候选物，推动计算药物发现领域的发展。

•不足之处：许多生成的模型对接不正确，ESMFold 的对接准确性有待进一步提高。•意义：ESMFold 在蛋白质-肽对接中能产生可接受的模型，偶尔优于 AlphaFold 系列工具，且速度快，在高通量肽设计的一致性方法中有潜在价值；其利用序列嵌入和识别关键结合基序的能力，为蛋白质-肽对接研究提供了新方向，后续发展有望成为现有方法的有力补充，推动基于肽的治疗药物开发。

为人类应激诱导型 Hsp70 提供了与动力学相关的假定状态的高分辨率集合，揭示了不同核苷酸状态下构象动力学的差异，为识别新的变构位点和优化现有小分子变构调节剂提供了结构基础，有助于开发针对 Hsp70 相关疾病（如神经退行性疾病和癌症）的治疗药物。

当前版本的 EnzyDocker 不支持共价对接；对于一些特殊配体，可能仍需要优化对接协议。EnzyDocker 为酶催化复杂反应的配体对接提供了一个便捷、高效的工具，使 EnzyDock 的多状态、多尺度对接能力能够更广泛地应用于生物学重要的酶促反应研究，有助于理解生物过程和设计新的治疗方法。

20世纪50年代，人工智能派生出了这样两个学派，分别是“符号学派”及“连接学派”。前者的领军学者有Marvin Minsky及John McCarthy，后者则是由Frank Rosenblatt所领导。符号学派的人相信对机器从头编程，一个模块一个模块组合最终可以得到比人类更智慧的机器；而连接学派则选择了截然不同的道路：模仿大脑，制造大脑，最终超越人类。