生物行移动版

蛋白质相互作用（Protein-Protein Interactions, PPIs）构成了细胞内复杂的分子调控网络，几乎参与了所有的生物学过程，从信号转导到代谢调节。然而，由于实验测定方法（如酵母双杂交或质谱分析）往往耗时且成本高昂，且难以覆盖全基因组范围，计算预测PPI已成为生物信息学领域的核心挑战。

近期发表于《Nature Communications》的一项研究提出了一种创新的计算框架——PPI-LLM。该模型借鉴了自然语言处理中大语言模型（LLM）的架构，将蛋白质氨基酸序列视为一种“语言”，通过深度学习技术捕捉序列背后的进化约束和结构特征。研究表明，PPI-LLM能够从海量的蛋白质序列数据库中提取深层特征，从而在无需已知三维结构的情况下，精准预测蛋白质对之间是否存在相互作用。

PPI-LLM的核心优势在于其对上下文信息的深度挖掘。与传统的基于机器学习的分类器不同，该模型利用注意力机制（Attention Mechanism）识别蛋白质序列中关键的结合基序（Binding Motifs）。实验数据验证显示，该模型在多个独立测试集上的预测准确率均显著优于现有的主流算法。此外，研究团队还展示了该模型在识别突变对相互作用影响方面的潜力，这对于理解遗传疾病的分子机制具有重要意义。

专家指出，PPI-LLM不仅为绘制人类蛋白质相互作用图谱提供了高效工具，还为靶向蛋白质相互作用的药物设计开辟了新路径。通过预测特定蛋白质界面的结合位点，研究人员可以更精准地筛选小分子抑制剂，从而针对以往被认为“不可成药”的靶点开发新型疗法。

Journal Reference: Learning the language of protein-protein interactions, Nature Communications.