科学家们创造了一种新的深度学习系统，称为PepFlow，它在预测肽（具有重要生物作用的较短氨基酸链）可以采用的不同构象方面表现出色。肽展现出高度的灵活性，假设出各种折叠模式，对于许多与治疗进展相关的生物功能至关重要。
来自多伦多大学的研究团队介绍了PepFlow，这是一种复杂的深度学习模型，能够准确预测肽的结构多样性，类似于蛋白质，但规模更小。
PepFlow将机器学习与物理相结合，以模拟肽可能根据其能量环境采用的折叠模式。与蛋白质不同，肽极为动态，能够形成多种构象。
“直到现在，我们还无法捕捉到肽构象的全谱，”该研究的主要作者Osama Abdin表示，他是多伦多大学唐纳利细胞和生物分子研究中心的分子遗传学博士毕业生。“PepFlow利用深度学习迅速而准确地预测肽的构象。该模型有潜力通过设计能够有效结合的肽来促进药物开发。”
研究结果发表在Nature Machine Intelligence期刊上。
肽在体内的功能与其折叠模式密切相关，影响其与其他分子的结合和相互作用。肽以其出色的折叠灵活性而闻名，在与治疗研究相关的各种生物过程中发挥重要作用。
“选择肽作为PepFlow模型的对象是因为它们的重要生物功能和内在的动态性，这需要对它们的不同构象进行建模以获得功能见解，”项目首席研究员Philip M. Kim指出，他是唐纳利中心的一名教授。“它们作为治疗剂也具有重要意义，例如用于管理糖尿病和肥胖症的GLP1类似物，如Ozempic。”
此外，正如金所提到的，与较大的蛋白质相比，肽的生产成本更具成本效益，他还在多伦多大学文理学院担任计算机科学教授。
这一新模型超过了谷歌著名的AlphaFold AI系统在蛋白质结构预测方面的表现。PepFlow通过为特定肽生成全面的构象范围而优于AlphaFold2，而这在AlphaFold2的设计中并不存在。
PepFlow通过创新的技术进步脱颖而出。例如，它是受玻尔兹曼生成器启发的通用模型，后者是基于物理的先进机器学习模型。
此外，PepFlow能够预测非常规肽结构，包括由于宏环过程而产生的环状形成。肽宏环代表了药物开发的一个有前途的领域。
尽管PepFlow优于AlphaFold2，但作为初始模型，它仍有改进的空间。研究人员确定了需要改进的领域，例如纳入有关溶剂原子的显式数据，以模拟肽在溶液形成中的溶解，并对环状结构中原子间距施加约束。
PepFlow的设计允许无缝扩展以包含新的因素、数据和应用。即使在其初始版本中，PepFlow也是一个强大而高效的模型，具有推进依赖于肽结合以调节生物过程的治疗的潜力。
“使用PepFlow进行建模提供了对肽实际能量景观的宝贵见解，”Abdin评论道。“开发PepFlow花了两年半的时间，培训它花了一个月的时间，但这项努力是值得的，以在预测单一肽结构的模型之上取得进展。”
