Forskare från Shanghai Institute of Organic Chemistry vid den kinesiska vetenskapsakademin har utvecklat en generativ artificiell intelligensmodell som förutsäger protein-protein-interaktioner vid atomär upplösning, enligt en studie publicerad i Proceedings of the National Academy of Sciences (PNAS) den 9 juni 2026. Modellen, som heter Void-X, tar snarare ett individuellt gränssnitt till att bygga upp protein. skulptera en övergripande proteinform först.
Arbetet, ledd av Drs. Yang Jing, Yuan Junying och James J. Chou lyftes fram av den kinesiska vetenskapsakademin och rapporterades av Phys.org. Det lägger till ett nytt verktyg till ett snabbt rörligt område där AI i allt större utsträckning används för att designa de molekylära maskiner som ligger till grund för läkemedel, material och syntetisk biologi. For more context on this story, see our ongoing artificial intelligence updates.
Varför protein-protein-interaktioner är viktiga
Proteiner är människokroppens molekylära arbetshästar. De bygger vävnader, transporterar molekyler, reglerar cellulär kommunikation och försvarar sig mot infektion. Många av de viktigaste läkemedlen - inklusive antikroppsterapier för cancer och insulin för diabetes - fungerar genom att interagera med specifika proteiner eller genom att ersätta sådana som saknas eller inte fungerar.
Eftersom så många biologiska processer beror på hur proteiner binder till varandra, kan förmågan att exakt förutsäga och konstruera protein-protein-interaktioner påskynda läkemedelsupptäckten och tillgodose medicinska behov. Framsteg här kompletterar också snabba framsteg inom leveransteknologier såsom adenoassocierade virusvektorer och mRNA-lipidnanopartiklar, som transporterar terapeutiska molekyler in i celler.
En bottom-up-strategi istället för top-down
De flesta befintliga AI-ramverk för proteindesign följer en top-down-strategi: de genererar först en övergripande proteinställning som passar en målplats och designar sedan en sekvens för att optimera bindningen. Void-X inverterar den logiken.
Modellen är ett atomärt fyllningssystem. Den är tränad att känna igen interaktionsmönster i atomskala och att fylla "tomrummen" - luckorna - inom proteingränssnitt. Dess vägledande antagande är att stabila makromolekylära komplex hålls samman av optimal atompackning, som uppstår från lokala interaktioner mellan närliggande atomer såväl som högre ordningens kopplingar med mer avlägsna sådana. Istället för att designa en hel proteinform, genererar Void-X direkt kompakta atomkluster optimerade för tät packning inom en specificerad strukturell region, vilket ger designen en fysiskt grundad grund.
Utbildad på åtta miljoner atomkluster
För att träna Void-X, sammanställde forskarna en datauppsättning av mer än åtta miljoner sfäriska atomkluster från experimentellt bestämda strukturer som deponerats i Protein Data Bank. För varje kluster maskerades ungefär 30 % av de perifera, rumsligt sammanhängande atomerna, medan de återstående atomerna fungerade som "sammanhanget" - i praktiken en uppmaning - som modellen använde för att förutsäga de saknade atomerna.
Det resulterande nätverket innehåller 172 miljoner parametrar och uppnådde en stark prediktiv noggrannhet: 78,3 % för atomkluster inom kedjan och 68,2 % för kluster mellan kedjor, rapporterade forskarna.
Vad det betyder för drogupptäckten och mer
Enligt författarna möjliggör dessa förmågor de novo generering av atomär upplösningsproteininteraktioner, och erbjuder vad de beskriver som en kompletterande och fysiskt intuitiv väg för proteindesign. Genom att kombinera detaljer på atomnivå med generativ modellering, utökar Void-X verktygslådan för rationell konstruktion av biomolekylära gränssnitt.
Det är viktigt eftersom gränssnittsdesign är kärnan i modern läkemedelsutveckling. Bättre beräkningsverktyg för att förutsäga hur en kandidatmolekyl kommer att binda till sitt proteinmål kan förkorta vägen från idé till terapi, minska beroendet av kostsamma trial-and-error-experiment och göra det lättare att designa proteiner för helt nya funktioner inom syntetisk biologi.
Ett växande fält
Void-X anländer mitt i en våg av AI-drivet proteinarbete. Från strukturförutsägelse till generativ design av alla atomer, forskare driver stadigt mot förmågan att modellera biomolekylära interaktioner med full atomupplösning. Tidigare generativa system med alla atomer har redan visat möjligheten att designa och förutsäga interaktioner i den skalan, och Void-X bidrar med en distinkt, packnings-först strategi till samma ansträngning.
Maskeringstricket som får det att fungera
Void-X:s träningsmetod lånar en sida från språkmodellens spelbok. Genom att maskera ungefär 30 % av atomerna i varje träningskluster och be modellen att sluta sig till dem från det omgivande sammanhanget, förvandlade forskarna strukturbiologi till en fylla-i-blanks-uppgift – samma princip som låter stora språkmodeller förutsäga saknade ord i en mening. Skillnaden är att Void-X:s "vokabulär" består av atomer ordnade i tredimensionellt rum, och grammatiken den lär sig återspeglar de fysiska packningsreglerna som styr hur riktiga proteiner vikas och binder.
Den strukturmedvetna träningen är det som skiljer Void-X från metoder som behandlar proteiner som platta sekvenser av aminosyror. Eftersom modellen resonerar kring lokala och långväga atomkopplingar samtidigt, kan den föreslå gränssnittsgeometrier som respekterar de fysiska begränsningarna för ett stabilt komplex, snarare än att producera rimliga men biologiskt instabila konstruktioner.
Begränsningar och öppna frågor
Resultaten är lovande, men forskarna är uppriktiga att utmaningarna kvarstår. Noggrannheten mellan kedjan på 68,2 % - relevant för multiproteinkomplexen som definierar de flesta verkliga läkemedelsmålen - är avsevärt lägre än siffran inom kedjan, vilket återspeglar den större svårigheten att modellera hur två separata molekyler möts. Att designa ett gränssnitt som binder tätt i en beräkningsmodell är också bara det första steget; kandidater måste fortfarande syntetiseras och valideras experimentellt, och förutspådda interaktioner kan vackla i den rörigare miljön i en levande cell.
Att skala upp träningsdata, förfina modellens hantering av flexibla eller oordnade proteinregioner och integrera Void-X med kompletterande top-down-system är troligen nästa steg. Författarna framställer sitt bidrag som kompletterande snarare än ersättningsteknologi - ett fysiskt grundat alternativ som kan kombineras med befintliga ställningar när fältet tävlar mot pålitlig, end-to-end molekylär design.
En bredare trend
Studien, publicerad under DOI 10.1073/pnas.2607035123, signalerar att konkurrensen om att bygga allt mer exakta molekylära designverktyg nu är på god väg – och att generativ AI håller på att bli en oumbärlig del av biokemistens arbetsbänk. Eftersom modeller som Void-X minskar klyftan mellan beräkningar och laboratoriet, är förhoppningen att forskare ska kunna designa nya terapier, enzymer och material snabbare och mer rationellt än någonsin tidigare.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
