將蛋白質發生突變時結合能的變化與氨基酸序列出現的可能性聯系起來

原標題：入選ICLR 2025！浙大沈春華等人提出玻爾茲曼對齊技術，蛋白質結合能預測達SOTA
文章來源：HyperAI超神經
內容字數：10044字

浙江大學沈春華教授團隊在蛋白質相互作用研究領域取得突破性進展

本文報道了浙江大學計算機科學與技術學院沈春華教授團隊與澳大利亞阿德萊德大學、美國東北大學等團隊合作，在蛋白質-蛋白質相互作用(PPIs)研究領域取得的重大突破。該團隊提出了一種名為“玻爾茲曼對齊”的技術，顯著提高了突變效應(??G)預測的準確性，相關成果發表在人工智能領域頂級會議ICLR 2025上。

1. 蛋白質相互作用研究的意義與挑戰

準確預測蛋白質間的相互作用對于理解生命活動、研發靶向藥物等至關重要。雖然AlphaFold 3等技術提升了蛋白質結構預測的準確率，但蛋白質間的相互作用是一個動態過程，僅依靠靜態結構難以完全捕捉其本質。準確預測結合能變化(??G)是理解和調節PPIs的關鍵，但傳統方法存在費時費力、準確性不足等問題。

2. 基于深度學習的??G預測方法

深度學習方法為??G預測帶來了新的機遇。例如，中科院團隊提出的SidechainDiff方法利用黎曼擴散模型取得了較好效果。然而，現有深度學習方法也面臨挑戰，例如結合能的注釋實驗數據缺乏，導致許多團隊采用預訓練策略，但簡單的監督微調可能導致模型“遺忘”預訓練期間獲得的知識，造成過擬合。

3. 玻爾茲曼對齊技術：創新突破

沈春華教授團隊提出的玻爾茲曼對齊技術，巧妙地將知識從預訓練的逆折疊模型遷移到??G預測。該技術基于玻爾茲曼分布和熱力學循環原理，將蛋白質突變時結合能的變化與蛋白質氨基酸序列出現的可能性聯系起來。團隊提出了BA-Cycle和BA-DDG兩種方法，分別用于無監督和有監督的??G預測。在SKEMPI v2數據集上的實驗結果表明，BA-DDG在各項指標上均優于現有SOTA方法，BA-Cycle也達到了與經驗能量函數相當的性能。

4. 技術細節與優勢

玻爾茲曼對齊技術通過引入貝葉斯定理，巧妙地規避了直接估計蛋白質結構概率的難題，并利用逆折疊模型評估結合態和非結合態的序列概率。BA-Cycle方法在熱力學循環中明確考慮了未結合態概率，BA-DDG則通過微調進一步提升了預測精度，同時避免了過擬合風險。

5. 廣泛的應用前景

該研究成果在結合能量預測、蛋白質-蛋白質對接和抗體優化等方面都展現了良好的適用性，為藥物設計和虛擬篩選等領域提供了新的工具，具有重要的應用價值。

6. 沈春華教授團隊及其其他研究成果

沈春華教授團隊長期致力于機器學習和計算機視覺方向的研究，在2025年年初已發表多篇論文，涵蓋DNA基礎模型、視覺通用模型和視頻生成模型評估等多個領域，展現了其強大的科研實力和影響力。

總之，沈春華教授團隊的這項研究成果為蛋白質相互作用研究提供了新的方法和思路，為理解生命過程和發展新藥提供了重要的理論基礎和技術支撐。

聯系作者

文章來源：HyperAI超神經
作者微信：
作者簡介：解構技術先進性與普適性，報道更前沿的 AIforScience 案例