编辑丨王多鱼
排版丨水成文
多肽-蛋白相互作用（peptide–protein interaction）的定量表征，在计算生物学中仍是一个持续存在的挑战，限制了对作用机制的理解和治疗药物的开发。
2026 年 8 月 19 日，厦门大学纪志梁教授、林琛教授团队合作（陈伟豪、王绮雯、李芷仪为论文共同通讯作者），在 Nature 子刊Nature Machine Intelligence上发表了题为：Quantitative and interface-aware prediction of peptide–protein interactions by VITAL 的研究论文。
该研究开发了一种基于双通道协同学习架构的深度学习框架——VITAL，可同时实现多肽-蛋白相互作用预测、界面映射以及定量亲和力评估。
该研究开发了VITAL（Versatile InTerface-Aware global-local co-Learning，多功能界面感知的全局-局部协同学习），这是一种基于双通道协同学习架构的深度学习框架，能够将蛋白质语言模型嵌入与捕捉界面空间邻近性的几何感知编码器进行融合。
该集成学习策略可同时实现多肽-蛋白相互作用预测、界面映射以及定量亲和力评估。研究团队指出，VITAL 通过三项关键贡献推动了该领域的发展——
首先，VITAL 在多个不同的基准测试中达到了最先进的（SOTA）准确率（最高 AUC = 0.87），并在真实世界肽类发现尝试中对部分新发现的相互作用进行了实验验证。
其次，研究团队实现了接近氨基酸残基分辨率的界面映射（精度 >60%），从而有助于系统性地分类四种基本结合模式。
最后，研究团队提出了结合强度单位（binding strength unit），这是一种与实验数据显著相关的连续亲和力度量指标。
通过将高分辨率结构分析与定量评分相结合，VITAL 建立了一个可扩展的计算平台，加速了从定性筛选向定量、基于结构的分析转变，这简化了基于多肽的治疗药物的发现与设计过程。
值得一提的是，研究团队将 VITAL 以开源软件包和交互式网络服务器的形式公开提供，旨在促进学术界的应用并推动方法学的进一步创新。
论文链接：
https://www.nature.com/articles/s42256-026-01291-z
热门跟贴