生物行移动版

蛋白质的结合可塑性是生物分子识别的核心特征，决定了蛋白质如何通过微小的结构调整来适应不同的配体。然而，由于蛋白质序列空间极其庞大，系统性地解码这种可塑性一直以来都是结构生物学与蛋白质工程领域的重大挑战。近期，发表在《Communications Biology》的一项研究通过整合深度核糖体展示技术与深度学习技术，为这一难题提供了全新的解决方案。

研究团队首先利用深度核糖体展示技术，构建了一个包含数百万个蛋白质变体的大规模文库。该技术允许在体外直接将基因型与表型（即蛋白质及其编码mRNA）进行物理连接，从而实现对蛋白质功能的高通量筛选。通过对特定靶标蛋白进行多轮选择与扩增，研究人员能够精确量化不同氨基酸突变对结合亲和力的贡献，从而绘制出高分辨率的结合能量图谱。

在获得海量实验数据后，研究人员引入了深度学习模型进行建模。该模型不仅能够捕捉序列与亲和力之间的非线性关系，还能揭示蛋白质结合界面中各残基之间的协同效应。研究结果表明，蛋白质的结合界面并非静态，而是展现出高度的可塑性。通过特定的氨基酸替换，蛋白质可以在保持核心功能的同时，显著改变其对配体的选择性或亲和力。

这一研究不仅在方法学上实现了突破，更在应用层面展现了巨大价值。通过该模型，科学家可以预测特定突变对蛋白质功能的影响，从而指导抗体药物的亲和力成熟（Affinity Maturation）及新型蛋白质的设计。这种“实验+计算”的闭环策略极大地缩短了蛋白质工程的研发周期，为理解蛋白质进化的分子基础提供了重要的数据支撑。

参考文献：

Yuan, H., et al. Decoding protein binding plasticity via integrated deep ribosome display and deep learning. Communications Biology (2024). DOI: 10.1038/s42003-024-06000-x