新的AI驱动方法加速了蛋白质模拟并揭示复杂的折叠动力学

由爱因斯坦教授Cecilia Clementi领导的一支国际团队在弗雷伊大学(FreieUniversität)柏林物理学系介绍了CGSCHNET,这是一种机器学习的粗粒(CG)模型,可以准确有效地模拟蛋白质。该研究发表于2025年7月18日的《自然化学》。

来源:英国物理学家网首页
构建和测试可转移,底部,机器学习的CG蛋白质力场的管道的概念说明。学分:自然化学(2025)。 doi:10.1038/s41557-025-01874-0
自然化学

由爱因斯坦教授Cecilia Clementi领导的一支国际团队在弗雷伊大学(FreieUniversität)柏林物理学系介绍了CGSCHNET,这是一种机器学习的粗粒(CG)模型,可以准确有效地模拟蛋白质。该研究发表于2025年7月18日的《自然化学》。

已发布

CGSCHNET的运行速度明显快于传统的全原子分子动力学,可以探索较大的蛋白质和复杂系统,从而在药物发现和蛋白质工程中提供潜在的应用,例如可以推进癌症治疗方法。

分子动力学 复杂系统

开发能够捕获蛋白质折叠和动力学的通用CG模型在过去50年中一直是科学家的持续挑战。 Clementi教授说:“这项工作是第一个证明深度学习可以克服这一障碍并导致模拟系统的工作,该系统近似于无原子蛋白质模拟而不明确对溶剂或原子细节进行建模。”

深度学习

在CGSCHNET中,Clementi教授的团队训练了一个图神经网络,以了解粗蛋白模拟的粒子之间的有效相互作用,以重现成千上万种全部原子模拟的多样的动力学。

神经网络

与结构预测工具不同,CGSCHNET模拟了动态过程,包括与错误折叠过程相关的中间状态,例如形成淀粉样蛋白,例如,在阿尔茨海默氏病病例中出现的病理蛋白聚集体。

蛋白质功能 更多信息: doi:10.1038/s41557-025-01874-0 www.nature.com/articles/S41557-025-01874-0

期刊信息:自然化学

期刊信息: