Penyelidik dari Institut Kimia Organik Shanghai di Akademi Sains China telah membangunkan model kecerdasan buatan generatif yang meramalkan interaksi protein-protein pada resolusi atom, menurut satu kajian yang diterbitkan dalam Prosiding Akademi Sains Kebangsaan (PNAS) pada 9 Jun 2026. Model itu, yang dinamakan Void-X, mengambil pendekatan keseluruhan yang berbeza daripada membina antara muka protein daripada membina atom secara asas daripada struktur protein individu. bentuk protein dahulu.
Kerja yang diketuai oleh Dr. Yang Jing, Yuan Junying, dan James J. Chou, telah diserlahkan oleh Akademi Sains China dan dilaporkan oleh Phys.org. Ia menambahkan alat baharu kepada bidang yang bergerak pantas di mana AI semakin digunakan untuk mereka bentuk mesin molekul yang menyokong ubat, bahan dan biologi sintetik. For more context on this story, see our ongoing AI news.
Mengapa interaksi protein-protein penting
Protein adalah kuda kerja molekul tubuh manusia. Mereka membina tisu, mengangkut molekul, mengawal komunikasi selular, dan mempertahankan diri daripada jangkitan. Banyak ubat yang paling penting - termasuk terapi antibodi untuk kanser dan insulin untuk diabetes - berfungsi dengan berinteraksi dengan protein tertentu atau dengan menggantikan yang hilang atau tidak berfungsi.
Oleh kerana begitu banyak proses biologi bergantung pada cara protein mengikat antara satu sama lain, keupayaan untuk meramal dengan tepat dan merekayasa interaksi protein-protein boleh mempercepatkan penemuan ubat dan menangani keperluan perubatan yang tidak dipenuhi. Kemajuan di sini juga melengkapkan kemajuan pesat dalam teknologi penyampaian seperti vektor virus yang berkaitan dengan adeno dan nanopartikel lipid mRNA, yang membawa molekul terapeutik ke dalam sel.
Pendekatan bawah ke atas dan bukannya atas ke bawah
Kebanyakan rangka kerja AI sedia ada untuk reka bentuk protein mengikut strategi atas ke bawah: mula-mula mereka menjana keseluruhan perancah protein yang sesuai dengan tapak sasaran dan kemudian mereka bentuk urutan untuk mengoptimumkan pengikatan. Void-X menyongsangkan logik itu.
Modelnya ialah sistem pengisian atom. Ia dilatih untuk mengenali corak interaksi skala atom dan mengisi "kosong" — jurang — dalam antara muka protein. Andaian panduannya ialah kompleks makromolekul yang stabil disatukan oleh pembungkusan atom yang optimum, yang muncul daripada interaksi tempatan antara atom jiran serta gandingan tertib lebih tinggi dengan yang lebih jauh. Daripada mereka bentuk keseluruhan bentuk protein, Void-X secara langsung menjana gugusan atom padat yang dioptimumkan untuk pembungkusan padat dalam kawasan struktur tertentu, memberikan reka bentuk asas berasaskan fizikal.
Dilatih pada lapan juta gugusan atom
Untuk melatih Void-X, para penyelidik mengumpulkan set data lebih daripada lapan juta gugusan atom sfera yang diambil daripada struktur yang ditentukan secara eksperimen yang disimpan dalam Bank Data Protein. Bagi setiap gugusan, kira-kira 30% daripada atom persisian, bersebelahan spatial telah bertopeng, manakala atom yang selebihnya berfungsi sebagai "konteks" - secara berkesan gesaan - yang digunakan model untuk meramalkan atom yang hilang.
Rangkaian yang terhasil mengandungi 172 juta parameter dan mencapai ketepatan ramalan yang kukuh: 78.3% untuk kelompok atom dalam rantai dan 68.2% untuk kelompok antara rantai, lapor penyelidik.
Maksudnya untuk penemuan dadah dan seterusnya
Menurut pengarang, keupayaan ini membolehkan penjanaan de novo interaksi protein resolusi atom, menawarkan apa yang mereka gambarkan sebagai laluan pelengkap dan intuitif fizikal untuk reka bentuk protein. Dengan menggabungkan perincian peringkat atom dengan pemodelan generatif, Void-X mengembangkan kit alat untuk antara muka biomolekul kejuruteraan secara rasional.
Itu penting kerana reka bentuk antara muka terletak di tengah-tengah pembangunan dadah moden. Alat pengiraan yang lebih baik untuk meramalkan cara molekul calon akan mengikat sasaran proteinnya boleh memendekkan laluan daripada idea kepada terapi, mengurangkan pergantungan pada eksperimen percubaan dan kesilapan yang mahal, dan memudahkan mereka bentuk protein untuk fungsi baharu sepenuhnya dalam biologi sintetik.
Bidang yang semakin berkembang
Void-X tiba di tengah-tengah lonjakan kerja protein dipacu AI. Daripada ramalan struktur kepada reka bentuk generatif semua atom, para penyelidik terus berusaha ke arah keupayaan untuk memodelkan interaksi biomolekul pada resolusi atom penuh. Sistem penjanaan semua atom sebelum ini telah pun menunjukkan kebolehlaksanaan mereka bentuk dan meramal interaksi pada skala itu, dan Void-X menyumbang strategi pembungkusan-utama yang berbeza untuk usaha yang sama.
Helah topeng yang menjadikannya berkesan
Kaedah latihan Void-X meminjam halaman daripada buku permainan model bahasa. Dengan menutup kira-kira 30% daripada atom dalam setiap kluster latihan dan meminta model menyimpulkannya daripada konteks sekeliling, para penyelidik menukar biologi struktur kepada tugas mengisi tempat kosong - prinsip yang sama yang membolehkan model bahasa besar meramalkan perkataan yang hilang dalam ayat. Perbezaannya ialah "perbendaharaan kata" Void-X terdiri daripada atom yang disusun dalam ruang tiga dimensi, dan tatabahasa yang dipelajarinya mencerminkan peraturan pembungkusan fizikal yang mengawal cara protein sebenar melipat dan mengikat.
Latihan sedar struktur itulah yang memisahkan Void-X daripada pendekatan yang merawat protein sebagai urutan rata asid amino. Oleh kerana model itu memberi alasan tentang gandingan atom tempatan dan jarak jauh secara serentak, ia boleh mencadangkan geometri antara muka yang menghormati kekangan fizikal kompleks yang stabil, dan bukannya menghasilkan reka bentuk yang kelihatan munasabah tetapi tidak stabil secara biologi.
Had dan soalan terbuka
Hasilnya menjanjikan, tetapi para penyelidik berterus terang bahawa cabaran masih ada. Ketepatan antara rantaian sebanyak 68.2% — berkaitan dengan kompleks berbilang protein yang mentakrifkan kebanyakan sasaran dadah dunia sebenar — secara bermakna lebih rendah daripada angka intra-rantai, mencerminkan kesukaran yang lebih besar untuk memodelkan cara dua molekul berasingan bergabung. Mereka bentuk antara muka yang mengikat ketat dalam model pengiraan juga hanya langkah pertama; calon masih mesti disintesis dan disahkan secara eksperimen, dan interaksi yang diramalkan boleh goyah dalam persekitaran sel hidup yang kucar-kacir.
Meningkatkan data latihan, memperhalusi pengendalian model bagi kawasan protein yang fleksibel atau tidak teratur, dan menyepadukan Void-X dengan sistem atas-bawah pelengkap mungkin merupakan langkah seterusnya. Penulis merangka sumbangan mereka sebagai teknologi pelengkap dan bukannya penggantian — pilihan berasaskan fizikal untuk digabungkan dengan perancah sedia ada ketika medan berlumba ke arah reka bentuk molekul hujung ke hujung yang boleh dipercayai.
Trend yang lebih luas
Kajian itu, yang diterbitkan di bawah DOI 10.1073/pnas.2607035123, memberi isyarat bahawa persaingan untuk membina alat reka bentuk molekul yang lebih tepat kini sedang berjalan dengan baik — dan AI generatif menjadi bahagian yang amat diperlukan dalam meja kerja ahli biokimia. Memandangkan model seperti Void-X mengecilkan jurang antara pengiraan dan makmal, harapannya ialah penyelidik akan dapat mereka bentuk terapeutik, enzim dan bahan baharu dengan lebih pantas dan lebih rasional berbanding sebelum ini.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
