- 询价
- 佰莱博生物分子表征平台可提供深度学习模型、生物信息学分析、AI设计、机器学习算法、SPR表面等离子共振、CD圆二色光谱结构分析、MST微量热泳动、DARTS-MS药物亲和反应靶标稳定性分析、蛋白表达纯化技术、高通量筛选、IF免疫荧光共定位等实验服务。
- 全国
- 2026年06月09日
企业认证
相关产品推荐更多 >
万千商家帮你免费找货
0 人在求购买到急需产品
- 详细信息
- 文献和实验
- 技术资料
- 提供商：
湖北佰莱博科技有限公司
- 服务名称：
蛋白质质量表征分析服务
【深度学习 + AI binder设计】发一区文章（IF=15.7），揭示β-折叠配对驱动的蛋白质结合剂设计新机制
摘要
该研究利用深度学习工具RFdiffusion，开发了一种基于β-折叠配对定向的AI binder设计策略，实现了对极性靶点的高亲和力结合。此外，圆二色谱CD证实设计蛋白具有极高的热稳定性；SPR表明结合剂达到强亲和力与卓越的靶点特异性。
小佰今天要分享的这篇研究论文，开发了一种基于β-折叠配对定向的AI binder设计策略。这种设计模式利用骨架氢键实现精确配对，成功针对多个具有治疗意义的靶点获得了高亲和力结合剂，显著提升了针对极性表面的设计成功率。
一、研究思路
1. 算法开发与支架生成
在RFdiffusion框架下，引导模型生成特定的二级结构。该技术强制要求生成的结合剂（binder）在界面处形成与目标蛋白边缘β-链几何匹配的β-链，从而实现骨架氢键的配对。
深度学习建模 (RFdiffusion)：生成蛋白质主链支架。
序列设计 (ProteinMPNN)：为生成的支架提供氨基酸序列。
结构预测与评估 (AlphaFold 2)：预测binder的折叠可靠性及与靶点的相互作用精度。
2. 多靶点设计与计算筛选
针对7个具有临床治疗意义且含有边缘β-链的靶点并行设计。利用计算指标从数万个初始设计中筛选出高潜力的序列。
生物信息学聚类：确保实验文库包含多样化的序列和结构。
Rosetta 能量计算(FastRelax)：定量评估结合界面的稳定性。
3. 实验验证与物理化学性质检测
研究人员进行高通量筛选，鉴定具有真实结合活性的克隆。
酵母表面展示：利用流式细胞术对数千个设计进行大规模结合筛选。
圆二色谱：检测蛋白的二级结构含量，并通过热熔解曲线测定熔解温度(Tm)。
表面等离子共振：精确测定结合动力学及亲和力常数(Kd)。
二、亮点解析
1．首次攻克AI binder设计难题：
不同于以往主要靠α-螺旋束的结合剂设计，该研究通过在RFdiffusion中引入界面调节张量，直接解决了亲水性蛋白表面难以抓取的瓶颈。
2．设计成功率实现数量级提升：
针对含有极性边缘β-链的靶点，新方法的计算机模拟成功率实现大幅提升，证明了这种定向引导策略的强大效率。
3．圆二色谱（CD）验证：
CD实验结果非常亮眼，超越天然蛋白的超高热稳定性，设计出的Binder，在95°C高温下依然能保持完整的折叠结构。
4．表面等离子共振（SPR）验证：
通过SPR检测，多款AI binder设计蛋白对靶点表现出强力结合，精准锁定了目标界面。
5．全流程实验闭环验证功能活性：
研究不仅停留在结构层面，还通过细胞内吞和信号通路抑制实验，证实了这些AI Binder具有干预疾病相关受体的生物学功能，具备直接转化为生物药物的潜力。
三、图文解读
AI Binder设计：基于界面调节的RFdiffusion策略
1. 界面调节张量的引导机制
该研究的核心在于对生成式模型RFdiffusion进行条件引导，以克服亲水性β-链边缘难以设计的瓶颈。
研究团队通过在算法推理阶段引入界面调节张量（Conditioning tensors），强制引导去噪轨迹生成与靶点边缘β-链几何匹配的延伸β-链支架。
这种方法能够精准补偿靶点表面极性基团在脱水过程中的氢键损失，实现结合剂（Binder）与靶点之间的骨架氢键配对（图1）。
图 1 界面调节张量的引导机制
2. 序列设计与结构预测评估
在获得物理支架后，研究人员利用AlphaFold 2预测生成的结合剂binder-靶点复合物结构，并结合界面预测对齐误差（PAE）和预测局部结构置信度（pLDDT）等指标进行计算机模拟筛选（图2）。
图 2 结构预测评估
3. 针对不规则几何形态的精准定制
AI Binder设计的另一大突破在于能够处理天然蛋白中常见的不规则β-结构。通过深度学习模型的强大捕捉能力，设计的结合剂β-链可以精确匹配靶点边缘的扭转、弯曲和凸起。
这种几何级别的定制化不仅增强了结合动力学，还有效抑制了设计蛋白自身的非特异性聚集。
图 3 针对不规则几何形态的精准定制
圆二色谱检测：评估结合剂的热稳定性
研究团队利用圆二色谱(CD)对纯化后的结合剂（Binder）进行了详细的生物物理表征，以验证其二级结构折叠及热稳定性。实验通过监测217 nm处的椭圆率随温度变化的情况，绘制了热熔解曲线并计算出熔解温度(Tm)。
结果显示，尽管这些结合剂包含大量暴露的边缘β-链，但它们均展现出极高的稳定性；例如，ALK-3bp在高达95°C的条件下仍保持单体折叠状态，而ALK-2bp的Tm值也达到了81.2°C，表明AI设计的支架能够通过精确的内部结构支持有效抵御蛋白质聚集（图4）。
图 4 圆二色谱结果图
SPR表面等离子共振：定量测量结合亲和力
为了定量测定结合剂binder与靶蛋白的结合强度与特异性，采用表面等离子共振(SPR)技术，SPR方法是将靶蛋白固定在芯片表面，流经梯度浓度的binder以实时监测结合与解离过程。
SPR结果显示：binder达到了皮摩尔至纳摩尔级别的强亲和力，如ALK-3bp的Kd为528 pM。特异性测试证实，binder仅对预定靶点产生响应，即使面对高度相似的同科蛋白也无交叉反应，体现了极高的靶向精度（图5）。
图 5 SPR结果图
多维实验验证确保Binder功能性
该研究通过整合一系列尖端的生物物理与细胞生物学技术，对AI设计的binder进行了从分子结构到生物功能的全面验证。利用X射线晶体学解析了KITbp与受体的复合物结构，证实其骨架RMSD仅为0.98Å，在原子水平上印证了计算模型的准确性（图6）。
在生物功能层面，通过活细胞成像观察到了设计蛋白介导的受体有效内吞，并利用Western Blot和流式细胞术证实其能显著抑制PDGFRα等靶点的下游信号转导并诱导特定蛋白降解。
这一闭环验证不仅证实了β-折叠配对设计的物理真实性，更展示了这些AI Binder在靶向治疗和蛋白质降解工具开发中的巨大应用潜力。
图 6 X射线晶体学结果图
佰莱博生物分子表征平台可提供深度学习模型、生物信息学分析、AI设计、机器学习算法、SPR表面等离子共振、CD圆二色光谱结构分析、MST微量热泳动、DARTS-MS药物亲和反应靶标稳定性分析、蛋白表达纯化技术、高通量筛选、IF免疫荧光共定位等实验服务。
风险提示：丁香通仅作为第三方平台，为商家信息发布提供平台空间。用户咨询产品时请注意保护个人信息及财产安全，合理判断，谨慎选购商品，商家和用户对交易行为负责。对于医疗器械类产品，请先查证核实企业经营资质和医疗器械产品注册证情况。
文献和实验参考文献：
Sappington, I., Toul, M., Lee, D.S. et al. Improved protein binder design using β-pairing targeted RFdiffusion. Nat Commun 17, 1101 (2026).
逆天了！体外人脑细胞仅用 5 分钟就学会「打乒乓」，比 AI 更厉害！
In vitro neurons learn and exhibit sentience when embodied in a simulated game-world 的研究论文。在这项研究中，他们开发了一种微型人类大脑，名为 DishBrain（培养皿大脑），这个「大脑」包含了大约 80 万个脑细胞，仅仅用了 5 分钟就学会了打「乒乓球」的游戏，而这一游戏 AI 需要花 90 分钟才能学会。 这一研究证明了即使是培养皿中的脑细胞也可以表现出内在的智能，并随着时间的推移改变行为。 图片来源：Neuron
三句话读懂一篇 CNS：章鱼化石居然取名叫「拜登」？AI 解码猪叫声，能听懂猪在想啥？
Communications 杂志上发表了研究论文 Cas9 exo-endonuclease eliminates chromosomal translocations during genome editing。 该研究阐释了基因编辑过程中染色体易位产生的分子机制，设计和开发了能够抑制基因编辑过程中染色体易位和大片段缺失等染色体结构异常的产生、安全性大幅提高的新型基因编辑酶 Cas9TX！ 图 2：来源 Nature Communications 3. Science Advances：果蝇的求偶之谜
AI 筛选 + 虚拟筛选：新药研发的 “双引擎” 的核心逻辑
智能 (Artificial Intelligence，AI) 药物筛选是一种结合 AI 技术与计算化学的高通量筛选方法，广泛应用于蛋白结构预测、新药研发和分子设计与优化等领域。其主要目的是利用机器学习 (MachineLearning，ML) 算法分析大量数据，从中学习规律，生成 AI 打分函数，以此提高筛选效率，加速候选药物的发现过程。 分子对接 www.medchemexpress.cn/molecular-docking-service.html 分子对接 (Molecular Docking)是一种基于计算模拟
技术资料暂无技术资料 索取技术资料
