机器学习助力内在无序蛋白质建模研究

马里兰大学Garegin Papoian教授团队在某机构研究奖项支持下，致力于解密内在无序蛋白质（IDPs）的动态特性。这类蛋白质约占人类蛋白质的三分之一，具有高度动态性且难以通过实验和计算手段处理。

蛋白质的三维结构决定其功能，但传统方法难以预测IDPs的结构。研究团队开发了AWSEM-MD蛋白质建模框架，并在此基础上创建了专门针对IDPs的AWSEM-IDP系统。

AWSEM-IDP系统利用通过核磁共振光谱等实验技术获得的蛋白质片段数据库，这些片段作为"结构记忆"指导IDP进行实验信息化的结构转换。系统还整合原子级模拟数据，通过短片段模拟提高结构探索的准确性。

研究团队将AWSEM-IDP应用于连接组蛋白H1的研究，该蛋白含有两个内在无序区域。通过模拟核小体与连接组蛋白的相互作用，揭示了无序尾部在表观遗传调控中的重要作用。

与AlphaFold等工具相比，AWSEM-MD在分子动力学模拟方面具有独特优势，能够更好地捕捉蛋白质的动态特性。未来研究将结合机器学习和物理方法，致力于全细胞计算模型的开发。

团队开发的MEDYAN模型已能模拟多种蛋白质、细胞膜和复杂化学反应，下一步目标是扩大模拟规模，实现数百种蛋白质类型的同时模拟，这将为生物医学研究带来革命性进展。