AllositeUltra 与 AsBench2:跨状态表征学习实现动态蛋白别构位点前瞻发现
Cross-state representation learning enables prospective discovery of dynamic protein allosteric sites
研究提出跨状态位点识别基准 AsBench2 和深度学习框架 AllositeUltra,后者在 apo 与底物结合态结构上的 Top-3 位点回收率分别为 65.2% 和 70.6%,相对最佳基线提升 36.4% 和约 50%。
论文提出跨状态识别框架与配套基准,读者可了解它如何把位点识别与静态口袋几何解耦,并在不同构象态上做对比。
预印本 · biorxiv · 10.64898/2026.11.09.765238
本站摘要基于收录版本 v1(2026-11-11),原始摘要与 AI 导读固定保留。
来源最近更新: · 来源 v1
别构调节在治疗干预中提供了多功能的诱导作用,但构象可塑性阻碍了别构位点的计算识别。机器学习模型依赖于静态的全构象(配体结合)结构,对于apo或底物结合状态泛化能力较差,因为这些状态下的结合口袋是瞬态或隐性的。我们提出了AsBench2,一个跨状态位点识别基准,以及AllositeUltra,一个深度学习框架,它整合了多模态蛋白质表示(将结构感知语言模型与物理动力学相结合)以及残基引导的候选补充,有效地将位点检测与静态口袋几何解耦。AllositeUltra展现了更优的泛化能力,在apo和底物结合结构上的Top-3位点恢复率分别达到65.2%和70.6%,相比表现最好的基线分别实现了36.4%和约50%的相对提升。对MAGI2的前瞻性应用发现了一个此前未被识别的跨结构域别构口袋,并通过小分子筛选和X射线晶体学在原子分辨率上得到了验证。全蛋白质组范围的应用产生了一个高置信度的可靶向别构位点图谱,弥合了结构表示学习与前瞻性AI驱动药物发现之间的鸿沟。
来源:bioRxiv · biorxiv.org