2025 年 3 月 28 日，诺奖得主、蛋白质设计先驱 David Baker 教授在 Nature Methods 期刊发表了题为：Atomic context-conditioned protein sequence design using LigandMPNN 的研究论文。该研究开发了一种新型深度学习方法——LigandMPNN，该方法明确地对生物分子系统中的所有非蛋白质成分进行了建模，预计 LigandMPNN 将在设计新的结合蛋白、传感器和酶方面得到广泛应用。

蛋白质的从头设计，能够创造出具有新功能的新型蛋白质，例如催化作用、与 DNA、小分子和金属的结合以及蛋白质间的相互作用。   在生物信息学领域，传统纯生信研究依赖大量实验，成本高、周期长，限制了研究进展。而随着人工智能技术飞速发展，机器学习算法展现出强大的数据处理与分析能力，为纯生信研究开辟新路径。将机器学习引入纯生信，有望突破实验瓶颈，高效挖掘生物数据价值，助力科研人员更深入理解生命奥秘，在疾病筛查、药物研发等方面发挥关键作用，这一融合趋势成为科研界关注焦点。

发自「今日水木 on 23013RK75C」
--
FROM 59.41.66.*