Nature 子刊：物理融合机器学习预测蛋白质-RNA 突变结合自由能

Nature 旗下《Communications Biology》于 2026 年 9 月 26 日发表论文，研究团队提出了一种融合物理力学特性的机器学习框架，用于高精度预测蛋白质与 RNA 复合体在单点及多点突变后的结合自由能变化（ΔΔG），为解析突变致病机理与靶向 RNA 的分子设计提供了高效计算工具。

• 克服传统计算瓶颈：蛋白质-RNA 结合界面受静电、构象形变与溶剂化效应影响显著，传统物理力场计算成本高昂，而纯数据驱动模型受限于实验数据稀缺；物理融合框架有效结合了物理先验与机器学习的泛化表征能力。
• 多维度特征建模：模型整合了复合体三维空间几何拓扑、物理化学相互作用（如静电势、氢键与范德华能）以及序列进化保守性特征，能够敏锐捕捉突变引起的界面微观微扰。
• 预测精度与泛化表现：在基准测试集与独立突变数据集验证中，该模型在预测自由能变化的相关性与均方根误差指标上均优于现有的纯经验打分函数及传统机器学习基线。
• 影响/看点：该方法可能显著提升大分子相互作用模拟与核酸药物前置筛选效率，但其实际应用价值仍取决于模型对复杂非典型 RNA 构象及未见罕见突变的泛化鲁棒性。
• 资料依据:
• Communications Biology（2026-09-26）：https://www.nature.com/articles/s42003-026-10948-9

本内容由 AI 生成，仅供参考，请注意甄别