Nat.Commun.速递：无参数几何深度学习精准预测蛋白质结合界面

原创 集智编辑部 集智俱乐部

关键词：蛋白质结合界面预测，无参数深度学习，高通量预测，transformer 架构

论文题目：PeSTo: parameter-free geometric deep learning for accurate prediction of protein binding interfaces

论文来源：Nature Communications

论文链接：https://www.nature.com/articles/s41467-023-37701-8

蛋白质是生命的基本分子组成，其相互作用驱动着大部分的细胞机制，支持着大多数生物学功能。探索生物之谜、解码疾病都离不开蛋白质。然而，预测蛋白质的结合界面（binding interface）仍然是一个挑战。现代预测蛋白质相互作用的方法要么是用特定的相互作用残基/原子对，强烈依赖于残基-残基协同演化模式的分析，因此仅限于蛋白质-蛋白质相互作用；要么是仅预测蛋白质的哪些区域易于相互作用，将蛋白质组规模上的高通量应用复杂化，非常耗时。此外，它们还需要参数化，并且对3D结构或模型的细节和误差非常敏感。

最近发表在 Nature Communications 的这篇文章基于 transformer 开发了一个蛋白质结构转换器（the Protein Structure Transformer，PeSTo）模型，可以高置信度地预测和区分核酸、脂质、离子和小分子的界面。此模型计算成本低且无需参数，作者不仅提供了独立代码[https://github.com/LBM-EPFL/PeSTo]还提供了网页[https://pesto.epfl.ch/]供大家使用。

图1. PeSTo方法概述。

图2. 用PeSTo预测一般蛋白质结合界面。

图3. 基于PeSTo的人类蛋白组分析

编译｜朱欣怡

原标题：《Nat. Commun. 速递：无参数几何深度学习精准预测蛋白质结合界面》

阅读原文