在药物研发这一复杂而精细的领域，准确预测蛋白质与配体的结合亲和力是药物筛选和优化的核心环节。这一过程的成功不仅关乎新药发现的效率，还直接影响到药物的有效性和安全性。然而，传统的预测方法往往忽略了蛋白质表面信息这一关键因素，限制了预测的准确性和可靠性。近期，来自厦门大学的研究团队提出了一种创新的多模态特征提取（MFE）框架，首次将蛋白质表面、3D结构和序列信息相结合，为蛋白质-配体结合亲和力的预测开辟了新路径。相关研究以「Surface-based multimodal protein–ligand binding affinity prediction」为题，于 6 月 21 日发布在《Bioinformatics》上。

蛋白质-配体结合亲和力预测的挑战与现状

预测蛋白质与配体之间的结合亲和力是药物发现的关键步骤。传统上，计算机辅助药物发现工具主要依赖评分函数（SF）来粗略估计这种亲和力，但这些方法的准确性有限，难以满足高精度药物设计的需求。分子动力学模拟方法虽然能提供更准确的预测，但其高昂的计算成本和耗时特性限制了其广泛应用。

随着计算技术的飞速发展和生物数据的爆炸性增长，基于深度学习的方法在蛋白质-配体结合亲和力预测领域展现出巨大潜力。然而，现有的深度学习方法大多仅利用蛋白质的序列或结构信息，忽视了蛋白质表面信息的重要性。蛋白质表面作为蛋白质结构的高级表示，蕴含着丰富的化学和几何特征，是蛋白质与其他生物分子相互作用的关键指纹。因此，如何有效整合和利用蛋白质的多模态信息，成为提升预测准确性的关键。

多模态特征提取框架的创新之处

厦门大学的研究团队提出的多模态特征提取（MFE）框架，正是为了解决上述问题而设计的。该框架首次将蛋白质的表面信息、3D结构和序列信息融合到一个统一的模型中，通过交叉注意机制实现不同模态之间的特征对齐，从而获得更为丰富和准确的特征表示。

图 1：MFE 框架。（来源：论文）

框架的核心包含两个主要组件：蛋白质特征提取模块和多模态特征比对模块。蛋白质特征提取模块负责从蛋白质的表面、结构和序列信息中提取初始嵌入。这一步骤确保了信息的全面性和多样性。随后，多模态特征比对模块利用交叉注意机制，对来自不同模态的特征进行精细的比对和融合，生成统一且信息丰富的特征嵌入。这种机制不仅考虑了不同模态之间的异质性，还有效利用了它们之间的互补性，显著提升了预测的准确性。

实验验证与消融研究

实验结果表明，该MFE框架在蛋白质-配体结合亲和力预测任务上取得了最先进的性能，显著优于现有方法。消融研究进一步证明了框架内蛋白质表面信息和多模态特征对齐的有效性和必要性。这表明，通过综合考虑蛋白质的多模态信息，可以显著提高预测的准确性，为药物筛选和优化提供更加可靠的依据。

蛋白质表面的深入研究与未来展望

研究人员指出，蛋白质表面作为蛋白质与其他生物分子相互作用的关键界面，其深入研究对于理解生物分子间的相互作用机制至关重要。未来的工作将更彻底地探索蛋白质表面，以期揭示其在生物信息学中的更广泛应用。这不仅有助于提升药物设计的效率和准确性，还可能为疾病治疗、生物标志物发现等领域带来新的突破。

结语

综上所述，厦门大学研究团队提出的多模态特征提取框架，为蛋白质-配体结合亲和力的预测提供了新的视角和方法。通过整合蛋白质的表面信息、3D结构和序列信息，并利用交叉注意机制实现特征的有效对齐，该框架显著提升了预测的准确性和可靠性。这一创新不仅为药物研发领域带来了新的希望，也为生物信息学的深入研究开辟了新的方向。随着技术的不断进步和数据的日益丰富，我们有理由相信，未来的药物发现将更加高效、精准，为人类的健康事业作出更大贡献。