在科學的殿堂中，人工智能（AI）以其強大的計算能力和智能算法，正日益成為探索未知、解碼生命密碼的不可或缺的力量。其中，蛋白組學的領域更是在這股浪潮中迎來了革命性的進展。

通過將AI技術與蛋白質研究相結合，我們不僅能夠深入理解細胞功能的復雜機制，更能夠加速新藥研發、精準醫學的實現。蛋白質相互作用在細胞的各種重要生理活動中起著關鍵作用，而AI技術的應用將加速我們對這些復雜過程的理解。從蛋白質結構預測到復合物的識別，AI正引領著結構生物學的新時代。
 

本次我們將通過解讀 “From proteins to nanoparticles: domain-agnostic predictions of nanoscale interactions”，探尋AI在Science和蛋白組學研究中的關鍵角色，揭示人工智能為我們解鎖生命謎題所帶來的不可估量的意義。
 

納米尺度相互作用在許多技術、生物和自然現象中起著關鍵作用，例如蛋白質-蛋白質相互作用、蛋白質-納米顆粒相互作用和納米顆粒-納米顆粒相互作用。這些相互作用的準確和快速預測是一個具有廣泛應用的挑戰性問題，但目前的方法通常依賴于特定領域的信息，如蛋白質的序列和結構特征，而不能泛化到其他類型的結構，如納米顆粒。

02 研究內容

Jacob Saldinger, Matt Raymond, Paolo Elvati和 Angela Violi提出了一種通用的機器學習方法 - NeCLAS，該模型使用粗粒化表示和化學特征來描述納米顆粒和蛋白質的結構和性質，并使用置換不變的網絡來捕捉它們的組合效應，快速準確地預測不同領域的納米尺度相互作用，如蛋白質-蛋白質、蛋白質-納米顆粒和納米顆粒-納米顆粒之間的相互作用。
 

NeCLAS模型性能

作者使用蛋白質-蛋白質和蛋白質-納米顆粒的數據集來評估 NeCLAS 模型的性能。結果表明，該模型可以準確地預測兩者之間的成對相互作用，并且可以識別出重要的相互作用位點和區域。該模型的預測與實驗數據和分子動力學模擬的結果一致，證明了其可靠性和有效性。
 

NeCLAS特點

一是使用一種通用的、基于原子的粗粒化方法，將納米顆粒和大分子轉化為低維度的粗粒化結構，并計算每個粗粒化單元的局部和環境特征；二是使用一種排列不變的深度神經網絡，預測兩個分子之間的粗粒化單元的成對相互作用。
 

NeCLAS的優勢在于，它能夠處理多種類型的分子，而不依賴于特定的分子特征，如氨基酸序列或保守性；并且NeCLAS能夠捕捉分子的結構對稱性和化學鄰域的影響，提高預測的準確性和可解釋性；NeCLAS能夠降低數據的噪聲和不確定性，提高模型的穩定性和泛化能力，能夠減少計算的開銷，實現快速的預測和原子級的重構。
 

該文章的研究方法包括兩個主要步驟

第一步是將原子級的信息轉化為低維度的粗粒化（CG）結構，并計算每個CG位點的局部和環境特征；第二步是訓練一個排列不變的深度神經網絡，來預測兩個分子的CG位點之間的成對相互作用。
 

NeCLAS在三個不同的挑戰中的應用

蛋白質-納米顆粒的結合位點預測：NeCLAS可以預測納米粒子與蛋白質的結合位置，這對于理解納米粒子如何與生物分子相互作用以及如何影響生物過程具有重要意義。
 

納米顆粒-蛋白質的動態相互作用特征：NeCLAS不僅可以預測納米粒子與蛋白質的結合位置，還可以預測它們之間的動態相互作用特性。這對于理解納米粒子如何影響蛋白質的功能和活性，以及如何影響生物過程具有重要意義。
 

納米顆粒-納米顆粒的相互作用和自組裝傾向：NeCLAS還可以預測納米粒子之間的相互作用和自組裝傾向。這對于理解納米粒子如何自我組裝以形成更大的結構，以及如何影響材料的性能和功能具有重要意義。

03 總結

總的來說，NeCLAS的應用范圍涵蓋了從基礎研究到納米生物技術中的快速原型制作和設計的各個領域。這使得科學家可以更好地理解納米粒子的潛在應用，并優化他們的設計。此外，NeCLAS的預測結果具有人類可理解性，這對于解釋預測結果和指導實驗設計具有重要價值。這種方法的應用不僅限于蛋白質，還可以擴展到其他類型的納米粒子，如納米顆粒-納米顆粒的相互作用。因此，NeCLAS為納米科學和納米技術的研究提供了一個強大的工具。

參考文獻：https://www.nature.com/articles/s43588-023-00438-x