研究人员开发的深度学习模型在预测肽结构方面优于谷歌人工智能系统

多伦多大学的研究人员开发了一个名为PepFlow的深度学习模型，该模型可以预测肽的所有可能形状——比蛋白质短但具有类似生物功能的氨基酸链

PepFlow结合了机器学习和物理学，根据肽的能量景观对肽可以假设的折叠模式范围进行建模。与蛋白质不同，肽是一种非常动态的分子，可以呈现一系列构象

“到目前为止，我们还无法对肽的全方位构象进行建模，”该研究的第一作者、美国大学唐纳利细胞和生物分子研究中心分子遗传学博士毕业生Osama Abdin说。“PepFlow利用深度学习在几分钟内捕捉肽的精确构象。该模型有可能通过设计充当粘合剂的肽来为药物开发提供信息。”

该研究今天发表在《自然机器智能》杂志上

肽在人体中的作用与它的折叠方式直接相关，因为它的3D结构决定了它与其他分子结合和相互作用的方式。众所周知，肽具有高度的灵活性，具有广泛的折叠模式，因此参与了研究人员在开发治疗方法时感兴趣的许多生物过程

该研究的首席研究员、唐纳利中心教授Philip M.Kim说：“肽是PepFlow模型的重点，因为它们是非常重要的生物分子，而且它们天生非常动态，所以我们需要对它们的不同构象进行建模，以了解它们的功能。”。“正如用于治疗糖尿病和肥胖的GLP1类似物，如Ozenpic所示，它们作为治疗药物也很重要。”金说，肽的生产成本也比大蛋白的生产成本低。他也是美国大学文理学院的计算机科学教授

新模型扩展了领先的谷歌Deepmind人工智能系统AlphaFold预测蛋白质结构的能力。PepFlow可以通过为给定的肽生成一系列构象来超越AlphaFold2，而AlphaFold2并不是为了做到这一点而设计的。

PepFlow的与众不同之处在于为其提供动力的技术创新。例如，它是一个受玻尔兹曼发生器启发的广义模型，玻尔兹曼发生器是一种高度先进的基于物理的机器学习模型

＜p＞PepFlow还可以对具有不寻常结构的肽结构进行建模，例如由称为大环化的过程产生的环状结构。肽大环是目前极具前景的药物开发场所

虽然PepFlow改进了AlphaFold2，但作为模型的第一个版本，它也有自己的局限性。研究作者指出了PepFlow可以改进的多种方法，包括用溶剂原子的明确数据训练模型，溶剂原子可以溶解肽形成溶液，以及限制环状结构中原子之间的距离

PepFlow的构建便于扩展，以考虑到额外的考虑因素、新信息和潜在用途。即使作为第一个版本，PepFlow也是一个全面有效的模型，有可能进一步开发依赖肽结合来激活或抑制生物过程的治疗方法

Abdin说：“使用PepFlow建模可以深入了解肽的真实能量景观。”。“开发PepFlow花了两年半的时间，训练了一个月的时间，但除了只预测肽的一种结构的模型之外，我们值得进入下一个前沿。”