深度学习新突破：浙大中科院模型精准预测蛋白-配体

好的，下面我将根据您提供的信息，并结合我作为资深新闻记者和编辑的经验，撰写一篇高质量的新闻报道。

标题：新SOTA！浙大、中科院深度学习模型SurfDock精准预测蛋白-配体相互作用，加速药物研发

引言：

在生命科学的微观世界中，蛋白质与配体之间的相互作用如同精密的齿轮，驱动着细胞的运转和生命的进程。理解这些相互作用的机制，不仅是基础生物学研究的关键，更是药物研发的基石。然而，准确预测蛋白质-配体结合的复杂过程，长期以来都是一个巨大的挑战。近日，浙江大学和中国科学院的研究人员携手突破了这一瓶颈，他们开发的全新深度学习模型SurfDock，以前所未有的精度和可靠性，为药物研发打开了新的大门。

主体：

一、挑战与突破：蛋白质-配体相互作用预测的难题

蛋白质-配体相互作用是分子生物学和生物化学的核心。从酶催化到信号转导，这些相互作用在维持细胞稳态、调节基因表达以及协调复杂的生物途径中发挥着至关重要的作用。然而，传统的分子对接方法，以及近年来兴起的基于深度学习的方法，在预测精度和姿势合理性方面都存在局限。这使得药物研发过程中，寻找能够有效结合特定蛋白质的配体，变得异常困难。

二、 SurfDock：融合多模态信息的几何扩散网络

为了解决这些难题，浙江大学和中国科学院的研究团队推出了SurfDock，一种基于几何扩散网络的创新方法。SurfDock 的核心在于其能够将蛋白质的序列信息、三维结构图以及表面特征整合到一个等变架构中。这种多模态信息的融合，使得模型能够更全面地理解蛋白质的结构和功能，从而更准确地预测配体结合的位置和姿态。

SurfDock 的工作原理可以概括为以下几个关键步骤：

非欧几里德流形上的扩散过程： SurfDock在非欧几里德流形上采用生成扩散模型，通过优化分子平移、旋转和扭转，生成可靠的结合姿势。
SurfScore内部评分模块： 该模块在晶体蛋白质-配体复合物上进行训练，用于评估姿势的置信度，确保预测结果的准确性。
多模态信息整合： SurfDock将表面特征、残基结构特征和预训练的序列级特征整合到表面节点级表示中，从而更全面地理解蛋白质的结构和功能。

三、卓越的性能：超越现有方法的基准测试

为了验证SurfDock的性能，研究人员在多个基准测试中进行了评估，包括PDBbind2020、Astex Diverse Set、PoseBusters 基准测试集和 DockGen 数据集。结果显示，SurfDock在对接成功率和遵守物理约束方面均显著优于现有方法。此外，SurfDock还表现出对未见蛋白质和预测的载脂蛋白结构的显著通用性，同时在虚拟筛选任务中实现了最先进的性能。

值得一提的是，SurfDock在生成的姿势的合理性方面也明显优于以往的深度学习方法。研究人员还结合了可选的基于力场的简单松弛步骤，用于蛋白质固定配体优化，从而进一步提高了其准确性和有效性。

四、实际应用：加速药物研发的有力工具

为了验证SurfDock在实际应用中的潜力，研究人员将其应用于针对细胞代谢中的关键酶醛脱氢酶 1B1 的虚拟筛选项目。结果显示，SurfDock成功地确定了七种具有新骨架的命中分子，这充分证明了其在药物发现方面的巨大潜力。

五、局限与展望：持续改进的未来

尽管SurfDock在蛋白质-配体相互作用预测方面取得了显著的突破，但研究人员也坦诚地指出了其局限性。例如，如果蛋白质在配体结合后发生显著的构象变化，SurfDock可能无法准确预测蛋白质-配体复合物，因为它没有明确适应蛋白质的灵活性。此外，SurfDock包括一个可选步骤，用于基于力场的对接后能量最小化，这表明姿势准确性和有效性有提高的潜力。

尽管如此，SurfDock所表现出的可靠性、稳健性、物理合理性和实际适用性，表明它确实有成为结构生物学变革工具的潜力。随着计算能力的不断提升和对各种化学空间的可访问性的提高，研究人员相信，SurfDock将成为基于结构的药物设计领域不可或缺的工具，并通过持续的改进，为基础生物学和药物发现开辟新的道路。

结论：

SurfDock的出现，不仅为蛋白质-配体相互作用的预测带来了新的突破，也为药物研发提供了强大的工具。它标志着人工智能在生命科学领域的应用迈出了重要一步，为未来的药物发现和疾病治疗带来了新的希望。

参考文献：