​Science丨AI设计突破：克服传统蛋白设计局限，靶向扩散模型打造精准蛋白结合器

主要观点总结

本文介绍了计算结构生物学中设计高亲和力和高特异性结合蛋白质的重大挑战及现有方法的局限性。针对此，来自美国华盛顿大学的研究团队开发了靶向扩散方法，用于设计此类蛋白质结合蛋白。该方法通过随机氨基酸云和目标条件扩散，生成与目标蛋白形状高度匹配的蛋白质结构，并使用ProteinMPNN模型设计氨基酸序列。虽然已有进展，但仍需进一步优化。研究展示了靶向扩散方法在蛋白质设计中的潜力，对于开发新型抗炎药物和癌症治疗激动剂具有重要意义。

关键观点总结

关键观点1: 背景介绍

计算结构生物学中长期以来面临的挑战是设计能够与目标蛋白高亲和力和高特异性结合的蛋白质，这在治疗、诊断等领域有重要意义。

关键观点2: 现有方法的局限性

现有的蛋白质设计方法通常依赖于预先存在的骨架集，存在形状匹配不足和接触表面积低等局限性，特别是对于表面相对平坦、缺乏凹槽的蛋白质目标效果不佳。

关键观点3: 靶向扩散方法的核心

研究人员使用靶向扩散方法，通过随机氨基酸云和目标条件扩散，生成与目标蛋白形状高度匹配的蛋白质结构，并使用ProteinMPNN模型设计氨基酸序列。

关键观点4: 优化过程

研究人员使用部分扩散方法进一步优化了结合蛋白的亲和力，并成功将TNFR1结合蛋白的特异性切换到TNFR家族的其他成员。

关键观点5: 研究成果的应用

研究人员设计的TNFR1结合蛋白具有作为药物的潜力，并且通过将OX40和4-1BB结合蛋白与设计的同源寡聚体融合，构建了具有不同价态和间距的可溶性信号分子，为癌症治疗提供了新的思路。

关键观点6: 研究的意义

该研究展示了靶向扩散方法在蛋白质设计中的强大潜力，对于开发新型抗炎药物和癌症治疗激动剂具有重要意义，并推动了蛋白质设计领域的进步。