推薦一篇發布在Nature Methods上的文章，文章標題“Integrating diverse experimental information to assist protein complex structure prediction by GRASP”。文章的通訊作者是來自北京大學的高毅勤教授和昌平實驗室的劉思睿研究員。高毅勤老師課題組主要從事水溶液中生物分子構象、酶促反應機理等方面的研究。
蛋白質互作在多種生物過程中至關重要。目前已經發展了多種復合物結構預測的模型，如AlphaFold-Multimer（AFM）、AlphaFold3（AF3）等，但是它們的準確性仍有待提高。將實驗手段提供的約束信息引入模型用于輔助蛋白質復合物結構預測，成為此問題一個可能的解。這類信息包括源自交聯質譜等方法的殘基對約束（Residue pair restraints，RPRs），以及源自差異共價標記等方法的界面約束（Interface restraints，IRs）。這些信息盡管有限，但卻可能成為推導復合物結構的重要突破口。本文作者發展了名為GRASP（generalized restraints assisted structure predictor）的方法，用于將上述信息引入復合物結構預測中，并取得了超越現有工具的表現。
為構建GRASP，作者將殘基對約束視為邊特征以pair bias引入AFM中的Evoformer等模塊，而界面約束則被視為節點特征以相對位置編碼等方式引入。
為評價GRASP的性能，作者構建了一個包含313個復合物的基準數據集。需要指出的是，此處使用從真實結構模擬采樣（而非實驗值）得到的殘基對約束和界面約束作為輸入，以判斷GRASP能否在理想條件下利用此類信息改善預測表現。不管是殘基對約束還是界面約束，隨著約束個數的增加，GRASP的建模表現不斷提升，并且均優于現有的其它方法。此處使用DockQ和約束召回率評估模型表現。當DockQ值大于0.23（圖a紅線）時，通常認為蛋白質復合物結構是可接受的。
后續，作者亦評估了GRASP在不同類型蛋白復合物上的表現。比如在抗原-抗體（或納米抗體）的建模中，結構預測表現顯著優于AF3。以實驗方法提供約束作為輸入，在7個案例中（圖b）GRASP成功5個，而AF3成功4個。
總而言之，本文作者發展了名為GRASP的模型，將與界面互作有關的實驗信息整合到AlphaFold-Multimer中，提升了蛋白質復合物結構預測的表現。
本文作者：ZF
責任編輯：MB
DOI：10.1038/s41592-025-02820-1
原文鏈接：https://doi.org/10.1038/s41592-025-02820-1
