南加州大学的研究人员开发出一种新型人工智能模型，发表在《自然方法》杂志上，该模型可以准确预测不同蛋白质如何在不同类型的蛋白质中与 DNA 结合，这一技术进步有望缩短开发新药和其他医疗治疗方法所需的时间。

该工具名为“结合特异性深度预测器”(DeepPBS)，是一种几何深度学习模型，旨在根据蛋白质-DNA 复合物结构预测蛋白质-DNA 结合特异性。DeepPBS 允许科学家和研究人员将蛋白质-DNA 复合物的数据结构输入在线计算工具。

“蛋白质-DNA 复合物的结构包含通常与单个 DNA 序列结合的蛋白质。为了理解基因调控，了解蛋白质与任何 DNA 序列或基因组区域的结合特异性非常重要，”南加州大学多恩西夫文学、艺术与科学学院定量和计算生物学系教授兼创始主席 Remo Rohs 说。

“DeepPBS 是一种人工智能工具，它取代了高通量测序或结构生物学实验来揭示蛋白质-DNA 结合特异性。”

人工智能分析并预测蛋白质-DNA结构

DeepPBS 采用几何深度学习模型，这是一种使用几何结构分析数据的机器学习方法。该 AI 工具旨在捕捉蛋白质-DNA 的化学性质和几何背景，以预测结合特异性。

利用这些数据，DeepPBS 可以生成空间图，展示蛋白质结构以及蛋白质与 DNA 表征之间的关系。DeepPBS 还可以预测不同蛋白质家族的结合特异性，而许多现有方法仅限于一个蛋白质家族。

Rohs 表示：“对于研究人员来说，找到一种适用于所有蛋白质、而不局限于某个研究透彻的蛋白质家族的方法非常重要。这种方法还使我们能够设计新的蛋白质。”

蛋白质结构预测取得重大进展

自 DeepMind 的 AlphaFold 问世以来，蛋白质结构预测领域发展迅速，AlphaFold 可以根据序列预测蛋白质结构。这些工具增加了可供科学家和研究人员分析的结构数据。DeepPBS 与结构预测方法配合使用，可以预测没有可用实验结构的蛋白质的特异性。

Rohs 表示，DeepPBS 的应用非常广泛。这种新的研究方法可能会加速设计针对癌细胞特定突变的新药和治疗方法，并带来合成生物学的新发现和 RNA 研究的应用。