机器学习助力无序蛋白质建模研究

Garegin Papoian探索难以捉摸的蛋白质类别建模

在亚马逊研究奖的支持下，Papoian团队正在破译内在无序蛋白质（IDPs）的动态特性。

“分子如何聚集并开始表现出生命系统的行为？“这类问题驱动着Garegin Papoian的研究。作为马里兰大学教授，他专注于蛋白质和DNA等生物分子的计算建模。在他的理论物理化学实验室中，团队还致力于开发全细胞的基础分子模型，这一概念仍处于起步阶段。

蛋白质是所有生物体必需的大分子。氨基酸序列决定蛋白质的三维结构，而独特形状决定其功能。从氨基酸序列预测蛋白质结构是长期存在的科学挑战，也是Papoian团队的研究重点之一。

尽管DeepMind的AlphaFold能以惊人准确度预测蛋白质结构，但挑战依然存在。很大比例的人类蛋白质并不完全形成规整的三维结构，这些被称为内在无序蛋白质（IDPs）。“它们更加动态，大多永远不会形成单一结构，“Papoian解释说，“就像疯狂的通心粉，实验和计算都很难处理。”

团队基于蛋白质建模框架AWSEM-MD开发了专门模拟IDPs的AWSEM-IDP系统。该系统使用通过核磁共振光谱等实验获得的蛋白质片段结构数据库。“这些片段作为结构记忆，指导IDP进行实验验证的结构转换，从而模拟更真实的IDP动态。”

在亚马逊机器学习研究奖支持下，团队应用AWSEM-IDP研究连接组蛋白H1。该蛋白在调节重要生物过程中起关键作用，具有两个内在无序区域。“我们使用AWSEM-IDP模拟核小体与连接组蛋白H1的相互作用，特别是这些无序尾巴的作用，这有助于理解表观遗传学机制。”

Papoian指出AWSEM-IDP仍有改进空间：“当前模型在某些蛋白质类别中效果更好，接下来将探索现有挑战并提出新的解决方案。“除了IDPs，实验室还将继续使用深度学习进行规则蛋白质的结构预测。

团队正在追求更宏大的目标：开发整个细胞的计算模型。为此，他们开发了名为MEDYAN的模型。“我们已经可以模拟某些蛋白质、膜结构和复杂化学反应，下一步是扩大规模。当实现时，这将成为生物医学领域的重大革命。”