
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于物理信息的几何不变量学习实现精确的蛋白质-蛋白质相互作用建模
《Communications Biology》:Accurate protein-protein interactions modeling through physics-informed geometric invariant learning
【字体: 大 中 小 】 时间:2026年03月29日 来源:Communications Biology 5.8
编辑推荐:
摘要AlphaFold为从一级序列预测蛋白质结构设立了新标准;然而,在处理跨物种的蛋白质复合物、工程化蛋白质以及抗原-抗体相互作用时,它面临着挑战,因为这些情况下的协同进化信号可能十分稀少或根本不存在。在此,我们提出了ProTact,这是一种SE(3)不变的几何图神经网络,它通过
AlphaFold为从一级序列预测蛋白质结构设立了新标准;然而,在处理跨物种的蛋白质复合物、工程化蛋白质以及抗原-抗体相互作用时,它面临着挑战,因为这些情况下的协同进化信号可能十分稀少或根本不存在。在此,我们提出了ProTact,这是一种SE(3)不变的几何图神经网络,它通过引入基于物理原理的几何互补性和三角函数约束作为归纳偏置,从而提升蛋白质-蛋白质相互作用的预测精度。ProTact既可应用于实验得到的单体结构,也可用于预测得到的单体结构,同时还采用了一种经过调整的关键点匹配算法,以准确估算蛋白质的结合姿态。实验结果表明,在各类基准数据集上,ProTact的性能始终优于现有的基于序列和基于结构的方法,在CASP 13和14任务中,其在平均前10%精确率(Precision@10)方面实现了31.63%的显著提升;在高质量结构构成的DIPS-Plus数据集中,则提升了31.94%。虽然在那些构象变化较大的复杂系统中,其性能会有所下降,但ProTact仍能保持优于传统方法的优势。此外,当将ProTact与AlphaFold3结合使用作为重新评分函数时,其在低序列一致性背景下也能实现超过30.48%的性能提升。我们预计,这一框架将有助于深入理解蛋白质之间的相互作用、功能及其设计方式。
生物通微信公众号