AI新突破：快速模拟蛋白质折叠 助力癌症治疗和药物研发

由柏林自由大学物理系的爱因斯坦教授塞西莉亚·克莱门蒂领导的国际团队近日推出了一种名为CGSchNet的新模型，这是一种基于机器学习的粗粒化（CG）方法，能够在准确性和效率上突破传统全原子分子动力学的限制，模拟蛋白质的复杂折叠动态。这项研究发表在2025年7月18日的《自然化学》杂志上。 CGSchNet的开发历时多年，旨在解决科学家们近半个世纪以来难以攻克的蛋白质折叠和动态建模问题。与传统的全原子模拟相比，CGSchNet能够大幅加速模拟过程，使其可以处理更大的蛋白质和更复杂的系统，从而在药物发现和蛋白质工程等领域展现出广泛的应用前景，例如可能推动癌症治疗方法的发展。 该模型通过训练图神经网络来学习粗粒化蛋白质模拟中颗粒间的有效相互作用，以再现数千个全原子模拟的动力学特性。与结构预测工具不同，CGSchNet不仅关注蛋白质的静态结构，还能够模拟其动态变化过程，包括中间状态，这对研究错误折叠过程如淀粉样蛋白聚集的形成至关重要。这种淀粉样蛋白聚集与阿尔茨海默病等多种神经系统疾病有关。 CGSchNet还能模拟蛋白质的不同折叠状态之间的转换，这对于理解蛋白质的功能至关重要。此外，该模型还具有良好的泛化能力，可以应用于未在训练集中出现的蛋白质，展示了强大的化学转移性。CGSchNet能够准确预测折叠、解折叠和无序蛋白质的亚稳定态，这类蛋白质占生物活性蛋白质的大多数。以前，由于这些蛋白质的高度灵活性，对其状态的预测非常困难。 更重要的是，CGSchNet能够估算蛋白质突变体的相对折叠自由能，这是以前的模拟方法因计算资源限制无法实现的任务。这些能力使得CGSchNet成为蛋白质研究领域的重要突破，为研究人员提供了前所未有的工具，可以更深入地探究蛋白质的行为和功能，加速新药和治疗方法的研发。 业内人士对此给予了高度评价，认为CGSchNet不仅展示了深度学习在生物物理领域的强大潜力，也标志着蛋白质动力学模拟的重大进步。该研究团队由柏林自由大学、麻省理工学院和欧洲多个研究机构组成，长期以来一直致力于开发高效的蛋白质模拟方法。这一 breakthrough有望在未来几年内促进生命科学和医疗健康领域的重要进展。