Новый ИИ-метод ускоряет моделирование белков и раскрывает сложную динамику их сворачивания

Концептуальная иллюстрация процесса создания и тестирования переносимого машинного обучения для грубого моделирования белков. Автор: Nature Chemistry (2025). DOI: 10.1038/s41557-025-01874-0

Международная команда под руководством профессора Сесилии Клементи из Свободного университета Берлина представила CGSchNet — модель грубого гранулирования (CG), которая с помощью машинного обучения позволяет точно и эффективно моделировать белки, как никогда раньше. Исследование опубликовано в выпуске журнала Nature Chemistry от 18 июля 2025 года.

CGSchNet работает значительно быстрее традиционной молекулярной динамики на уровне атомов, что позволяет изучать более крупные белки и сложные системы. Это открывает новые возможности в разработке лекарств и белковой инженерии, например, для усовершенствования методов лечения рака.

Создание универсальной CG-модели, способной воспроизводить сворачивание и динамику белков, оставалось серьёзной проблемой для учёных на протяжении последних 50 лет.

«Эта работа впервые демонстрирует, что глубокое обучение может преодолеть этот барьер и привести к системе моделирования, приближенной к атомарным симуляциям белков, без явного учёта растворителя или атомарных деталей», — говорит профессор Клементи.

В CGSchNet команда профессора Клементи обучила графовую нейронную сеть распознавать эффективные взаимодействия между частицами в грубой модели белка, чтобы воспроизвести динамику тысяч атомарных симуляций.

В отличие от инструментов предсказания структуры, CGSchNet моделирует динамический процесс, включая промежуточные состояния, связанные с неправильным сворачиванием, например, образование амилоидов — патологических белковых агрегатов, встречающихся при болезни Альцгеймера.

Модель также симулирует переходы между свёрнутыми состояниями, что критически важно для функционирования белков, и обобщает данные для белков, не входящих в обучающий набор, демонстрируя высокую химическую переносимость. Кроме того, она точно предсказывает метастабильные состояния свёрнутых, развёрнутых и неупорядоченных белков, которые составляют большинство биологически активных белков.

Такие предсказания раньше были крайне сложными из-за гибкости этих белков. Модель также способна оценивать относительную свободную энергию сворачивания мутантных белков, что было недостижимо для предыдущих методов моделирования из-за вычислительных ограничений.

Дополнительная информация: Николас Э. Шаррон и др., Navigating protein landscapes with a machine-learned transferable coarse-grained model, Nature Chemistry (2025). DOI: 10.1038/s41557-025-01874-0. www.nature.com/articles/s41557-025-01874-0

Источник: Свободный университет Берлина