Nat Mach Intell | 纪志梁/林琛团队提出界面感知的肽–蛋白质互作量化预测
日期： 2026-08-31 访问数：肽与小型蛋白质（<50个氨基酸）在细胞信号传导、免疫防御和代谢稳态中发挥关键作用，其中进化保守的亚群尤为重要。凭借高特异性、强生物活性和低免疫原性，肽类药物兼具小分子与生物制品的优势，已有60余种获批用于糖尿病、癌症、感染及罕见病等。然而，深入解析肽–蛋白质相互作用（PepPI）仍面临显著挑战：肽段构象高度柔性，结合界面浅表、瞬态，以弱相互作用为主，致使亲和力定量与界面定位困难。实验手段通量低、成本高，难以大规模应用；现有计算方法亦缺乏对结合界面与亲和力的定量解析能力。
近日，厦门大学生命科学学院纪志梁教授团队与信息学院林琛教授团队在Nature Machine Intelligence发表研究论文，提出深度学习框架VITAL。该研究遵循“序列–结构–功能”核心逻辑：序列决定结构，结构决定互作，界面残基关系决定结合强度。
VITAL是一种基于序列–几何双通道协同的深度学习框架，将PepPI定性预测、界面定位与强度量化整合为一体化解析方案。该框架的核心体现在三个维度：
1. 显著提升PepPI预测准确性，在多样化基准测试中达当前最佳水平。研究团队构建了高质量基准数据集，VITAL在多个独立测试集上整体优于现有主流方法，且在样本不平衡条件下仍保持稳健性能。通过少量蛋白质互作（PPI）数据增强，其在PPI预测中亦可比肩专用预测器，展现出良好迁移潜力。
2. 实现近残基分辨率的结合界面映射。VITAL的中间产出，亲和力强度矩阵（ASM），可直接用于结合位点映射。研究团队开发的VITAL-DeSite算法，在大量已知结构数据上验证，能够较为准确识别主结合位点及潜在次级位点。
3. 建立与实验显著相关的结合强度度量。研究团队提出结合强度单位（BSU），其与实验测得的结合自由能及生物活性显著相关。分析还揭示单位点与多位点复合物结合特征存在差异，共同支持BSU作为结合强度度量的有效性。
在药物应用层面，VITAL的预测能力得到进一步验证。针对64种FDA批准的肽类药物，该方法成功恢复了106个已知互作中的90个。结合药理网络分析，它不仅重现已有的药物–靶点–疾病关联，还揭示出潜在的新靶点与适应症；同时识别出部分与已知不良反应相关的脱靶蛋白，为安全性评估提供参考。
厦门大学生命科学学院纪志梁教授与信息学院林琛教授均为该论文的通讯作者。博士生陈伟豪、硕士生王绮雯和硕士生李芷仪为该论文共同第一作者，以及博士生李松阳也在本项研究中作出了重要贡献。该研究得到了国家重点研发计划、国家自然科学基金和福建省自然科学基金等经费的支持。
原文链接：https://www.nature.com/articles/s42256-026-01291-z
（图/文 纪志梁团队）
