上海
編輯丨王多魚
排版丨水成文
加速分子探針發現和先導化合物優化，需要準確且高效的結合親和力預測。
2026 年 6 月 12 日，中國科學院上海藥物研究所鄭明月、張素林、王明亮團隊在Nature Chemical Biology期刊發表了題為：Atomic-level protein–ligand recognition with PBCNet2.0 for probe discovery 的研究論文。
該研究開發了一種用于預測蛋白質-配體結合親和力的新一代 AI 算法——PBCNet2.0。
在這項研究中，研究團隊提出了一種基于笛卡爾張量的孿生神經網絡——PBCNet2.0，用于預測蛋白質-配體相對結合親和力。PBCNet2.0 在 860 萬個蛋白質-配體復合物對上進行訓練，實現了與計算密集型物理模擬相當的零樣本準確度，同時保持高效性。回顧性優先排序實驗表明，PBCNet2.0 將優化效率提升了 7.18 倍，并將資源消耗降低了 41%。機制分析表明，該模型能夠捕捉分子間相互作用并編碼空間幾何約束，從而對氟正交多極相互作用等細微效應保持敏感性。值得注意的是，盡管未接受突變數據訓練，PBCNet2.0 展現出預測結合口袋殘基變異所引發的親和力變化的涌現能力，可支持耐藥性分析。
研究團隊針對 ENPP1 和 ALDH1B1 對這些能力進行了前瞻性驗證，準確解析了由微小相互作用和構象差異引起的親和力變化，并從六個選定殘基中識別出五個關鍵結合殘基，命中率達到 5/6。
論文鏈接：
https://www.nature.com/articles/s41589-026-02241-x
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
