推荐一篇发布在Nature Methods上的文章，文章标题“Integrating diverse experimental information to assist protein complex structure prediction by GRASP”。文章的通讯作者是来自北京大学的高毅勤教授和昌平实验室的刘思睿研究员。高毅勤老师课题组主要从事水溶液中生物分子构象、酶促反应机理等方面的研究。

蛋白质互作在多种生物过程中至关重要。目前已经发展了多种复合物结构预测的模型，如AlphaFold-Multimer（AFM）、AlphaFold3（AF3）等，但是它们的准确性仍有待提高。将实验手段提供的约束信息引入模型用于辅助蛋白质复合物结构预测，成为此问题一个可能的解。这类信息包括源自交联质谱等方法的残基对约束（Residue pair restraints，RPRs），以及源自差异共价标记等方法的界面约束（Interface restraints，IRs）。这些信息尽管有限，但却可能成为推导复合物结构的重要突破口。本文作者发展了名为GRASP（generalized restraints assisted structure predictor）的方法，用于将上述信息引入复合物结构预测中，并取得了超越现有工具的表现。

为构建GRASP，作者将残基对约束视为边特征以pair bias引入AFM中的Evoformer等模块，而界面约束则被视为节点特征以相对位置编码等方式引入。

为评价GRASP的性能，作者构建了一个包含313个复合物的基准数据集。需要指出的是，此处使用从真实结构模拟采样（而非实验值）得到的残基对约束和界面约束作为输入，以判断GRASP能否在理想条件下利用此类信息改善预测表现。不管是残基对约束还是界面约束，随着约束个数的增加，GRASP的建模表现不断提升，并且均优于现有的其它方法。此处使用DockQ和约束召回率评估模型表现。当DockQ值大于0.23（图a红线）时，通常认为蛋白质复合物结构是可接受的。

后续，作者亦评估了GRASP在不同类型蛋白复合物上的表现。比如在抗原-抗体（或纳米抗体）的建模中，结构预测表现显著优于AF3。以实验方法提供约束作为输入，在7个案例中（图b）GRASP成功5个，而AF3成功4个。

总而言之，本文作者发展了名为GRASP的模型，将与界面互作有关的实验信息整合到AlphaFold-Multimer中，提升了蛋白质复合物结构预测的表现。

本文作者：ZF

责任编辑：MB

DOI：10.1038/s41592-025-02820-1

原文链接：https://doi.org/10.1038/s41592-025-02820-1