近日，研究团队合作提出了一种预测蛋白质构象变化的深度学习模型，该成果在Advanced Science上在线发表。

近年来，以 AlphaFold 为代表的深度学习模型在预测蛋白质静态结构方面取得了巨大成功。然而，蛋白质的功能取决于其动态特性。研究人员正在积极探索其他旨在预测蛋白质动态行为(如构象变化)的深度学习算法。开发此类模型的主要挑战之一是描述构象转变的动力学数据严重短缺。

为了克服这一挑战，研究人员将物理约束的粗粒度分子动力学模型与增强的采样方法相结合，创建了一个模拟蛋白质变构的有效计算框架。

该框架用于模拟两种已知稳定状态下 2,635 种蛋白质的构象变化，捕捉每条转换路径上的结构信息。这项广泛的模拟工作的成果是第一个大规模蛋白质动力学数据库，为研究蛋白质运动和变化提供了丰富的资源。

利用该数据库，该团队开发了一个名为 PATHpre 的通用深度学习模型，旨在预测两种稳定状态的蛋白质之间的变构途径。该模型对不同序列长度(从 44 个氨基酸到 704 个氨基酸)的蛋白质表现出强大的预测能力，并且对多种变构系统(包括形态发生蛋白)有效。

研究人员通过多个系统的实验和模拟数据验证了该模型的预测结果，获得了一致的结果，甚至揭示了人类β-心脏肌球蛋白(一种对心脏功能至关重要的蛋白质)的新型变构调节机制。

PATHpre 模型的开发代表着蛋白质动力学预测建模向前迈出了重要一步。它不仅能够预测过渡态，还能预测构象变化的整个途径，为蛋白质功能和调控提供了新的见解。该模型有可能彻底改变我们对蛋白质行为的理解，并可能在开发针对蛋白质错误折叠疾病的新疗法中发挥关键作用。

该团队成员包括中国科学院中国科学技术大学的王谦教授和上海科技大学的白芳教授。